OCR + 文档解析全家桶

这个 pack 包含什么

这是一个真正工程师花一下午能搭起来的流水线：把杂乱的文档 — 扫描的发票、学术 PDF、截图、双语合同 — 转成干净的结构化数据。顺序很重要：上一阶段的输出就是下一阶段的输入；跳过版面检测，是 doc-AI 流水线产出垃圾的最常见原因。

所有 10 个都是 2026 年仍在活跃维护的开源工具。整套装下来不小（模型权重几个 GB），但通常每个阶段挑一个就够，剩下的跳过。把这个 pack 当菜单用，不是清单。

推荐安装顺序

1. Marker — PDF 转 Markdown，端到端。从这里开始。Marker 一把搞定版面 + OCR + 表格 + 数学公式，是绝大多数学术 / 技术 / 结构化 PDF 的合理默认值。如果 Marker 的输出够好，后面就不用看了。
2. Surya — 90+ 语言的文档 OCR，含版面分析、表格检测、阅读顺序、LaTeX OCR。Marker 内部就在用它。当你只需要 OCR 层而不要整套 Markdown 流水线时单独用它。
3. MinerU — 从任意文档里抽 LLM-ready 数据。复杂版面（多栏论文、杂志、政府表格）比 Marker 更强。GitHub 57K+ star。接住 Marker 投降的场景。
4. Zerox — 零样本 PDF OCR。把页面图片送给视觉 LLM（GPT-4o / Claude / Gemini），拿回 Markdown。按调用计费，省去本地 GPU 推理。不想自己部署模型时的最快路径。
5. Nougat — Meta 出的学术文档神经网络模型，arXiv 训练。数学公式重的 PDF 它最强（公式回来是 LaTeX，不是糊掉的字形）。比 Marker 慢，但 STEM 论文上更准。
6. Docling — IBM 的文档解析库。PDF / DOCX / PPTX / 图片 / HTML 都能转成结构化 Markdown 或 JSON。整个 pack 里最通用的解析器，输入格式不固定时用它。
7. Unstructured — LLM 流水线的文档 ETL。统一 API 处理 25+ 种文件格式，把文本切成有类型的元素（Title / NarrativeText / Table / ListItem）。RAG 大规模入库的工业级骨架。
8. OpenDataLoader PDF — 专注给下游 agent 产出干净结构化数据的 PDF 解析器。比 Marker / MinerU 轻量，对延迟敏感比对峰值精度敏感时用它。
9. PaddleOCR — 100+ 语言的生产级 OCR，目前开源里中文 OCR 最强。当 Marker / Surya 在非拉丁文字或极端噪声上挣扎时，用它当 OCR 层。
10. Tesseract OCR — 40 岁的老黄牛。慢，对现代字体偶尔不准，但可预测、可脚本化、能在树莓派上跑。当 GPU 不可用、精度要求一般时的兜底方案。

它们怎么协同

输入文档（PDF / 扫描件 / 图片 / DOCX）
   │
   ├─ Marker  ─────────────────► 干净 Markdown（先试这个）
   │
   │  Marker 输出不行：
   │
   ├─ MinerU  ─────────────────► Markdown / JSON（复杂版面）
   │
   │  输入是多格式（DOCX / PPTX / HTML）：
   │
   ├─ Docling  ────────────────► 结构化 Markdown
   ├─ Unstructured  ───────────► 有类型的元素（Title / Table / NarrativeText）
   │
   │  数学公式重的学术 PDF：
   │
   ├─ Nougat  ─────────────────► LaTeX + Markdown
   │
   │  云端 LLM 比自架 GPU 便宜：
   │
   ├─ Zerox  ──────────────────► 视觉 LLM 走一遍出 Markdown
   │
   │  底层 OCR 层（上面的工具内部会调）：
   │
   ├─ Surya / PaddleOCR / Tesseract  ──► 纯文本 + bounding box
   │
   └─ OpenDataLoader PDF  ─────► 轻量级结构化 JSON

安装套路是：Marker 当默认，MinerU 当升级接 Marker 搞不定的版面，Nougat 处理数学，Zerox 跳过 GPU 自架。OCR-only 工具（Surya / PaddleOCR / Tesseract）是底层积木 — 上层解析器在你特定文档上失手时直接调它们。

你会遇到的取舍

• Marker vs MinerU — Marker 在规整 PDF 上更快、Markdown 更干净。MinerU 处理更怪的版面（中文报纸、政府表格、扫描书）但更慢、输出更脏。在你领域里 10 份真实文档上各跑一遍再选。
• 本地模型 vs 视觉 LLM（Zerox） — 一张 4090 跑 Marker 前期硬件投入高，但月处理量过几千页之后每页成本比 Zerox 走 GPT-4o / Claude 便宜大概一个数量级。量小的话云端是对的。
• Surya vs PaddleOCR vs Tesseract — Surya 是现代默认。PaddleOCR 在中日韩阿拉伯语上赢。Tesseract 赢在「没 GPU 也能跑」— 留它当最后兜底。
• Docling vs Unstructured — Docling 输出更干净的 Markdown；Unstructured 输出更适合 RAG 切块的有类型元素。给人看选 Docling，给检索器吃选 Unstructured。

常见踩坑

• 跳过版面检测 — 双栏学术 PDF 上直接跑裸 Tesseract，两栏文字会交错混在一起。永远先过一遍版面感知的工具（Marker / Surya / MinerU），不要把整页盲喂给 OCR。
• 不核对表格输出 — 这个 pack 里每个工具在无边框表格、合并表头、旋转文本上都仍会丢格。表格出来后过一道 sanity check（行数、列数、数值列 dtype）再用。
• GPU 显存爆掉 — Marker / MinerU / Nougat 满质量下都要 8-12 GB 显存。16 GB 卡上串行跑，别并发。
• 双语文档 — 大多数工具按页自动检测语言，不按区域。一份左英右中的合同往往一种语言识别对了，另一种乱码。PaddleOCR 处理得最好；其他工具先按区域切再喂。
• 忘了去重页眉页脚 — Marker 之类会把页码、跑动页眉、脚注当正文抽出来。后处理一道，用「跨页重复出现的子串」当 key 去掉。