文档解析器选型先看版面和扫描质量，不要先看榜单
emmettvance · reddit · 2026-07-25
这条帖子的核心不是“哪款解析器最好”，而是先按文档和下游需求缩小选择范围。
- 如果 PDF 本身就有可提取的文本层，像 PyMuPDF 这类纯文本抽取通常就够快、够便宜。
- 扫描件、照片件则必须加 OCR 或视觉步骤。
- 真正难的是多栏排版、合并单元格、跨页表格、无边框表格这类复杂版面，这时 Docling、Marker、LlamaParse 这类更懂布局的工具更有优势。
- 规模、预算和数据驻留要求会决定你该走云 API 还是本地方案。
- 如果只想为 RAG 产出干净文本，解析器本身可能就够；如果还要抽结构化字段或带页码引用，就需要额外的抽取层。
作者最后的建议是：别先做“最佳工具排行榜”，而是根据文档类型把候选压到两三个，再拿真实文档做测试。
「Infra」频道最新
- AI 需求推高 DRAM 合约价 171.8%，回落或要等到 2028 — 量子位 · 2026-07-25
- 可复现后端要连 GPU 和 CPU 一起迁移，商业模式仍不清晰 — omojumiller · 2026-07-25
- NURL 逼近 v1.0：面向 LLM 工作流的单二进制语言 — AdhesivenessHappy873 · 2026-07-25
- OpenAI 状态页显示 ChatGPT、API 和 Codex 同时故障 — Primary_Tea3095 · 2026-07-25
- Anthropic 公开与三星、SK hynix 签署供应协议 — dejavucoder · 2026-07-25
- OpenAI 登录失败后持续报 `primaryapi_server_error` — HaselnuesseTo · 2026-07-25