2026 值得了解的 20 个开源 OCR 与 PDF 抽取工具盘点
MaryamMiradi · x · 2026-11-03
Maryam Miradi 梳理了构建 RAG/Agent 文档管道所需的 20 个开源 OCR 与 PDF 抽取工具，按五类组织（配有一张总览图）：
- 原生 PDF 抽取：PyMuPDF4LLM、pdfplumber、pypdf——适合本身含干净数字文本的 PDF
- OCR 引擎：Tesseract、PaddleOCR、Surya、EasyOCR、docTR
- 文档解析器：Docling、MinerU、Marker、Unstructured
- VLM 基解析：olmOCR、OCRFlux、MonkeyOCR、dots.mocr、Zerox——作者认为最值得关注的一类，模型不再只识别字符，还在理解文档结构
- 专用工具：GROBID（论文元数据）、Camelot（表格）、Nougat（公式）
她强调：真实文档要处理表格、公式、阅读顺序、扫描页、多栏版式等；最好的 OCR 模型未必是最好的文档管道，生产级 Agent 的目标是保留足够结构与语义供模型推理。作者预告可能对 Docling/MinerU/Marker/olmOCR/PaddleOCR/OCRFlux 做横评。
「编程与Agent」频道最新
- 调用顺序即控制：Reddit 网友分享让 AI 建议不污染人工审核的管线设计 — Neither_Opinion69 · 2026-11-03
- 两天新增 31 种语言支持:loccount 作者展示 LLM 驱动的语言覆盖碾压流程 — esrtweet · 2026-11-03
- 自研 AutoResearch Agent 卡在局部最优?答案可能是让它「遗忘」 — eshorten300 · 2026-11-03
- Claude 接入法律平台 Clio，可检索 10 亿+法律文档并带引用返回 — EJWalters · 2026-11-03
- DeepSeek 开源智能体框架 dsh-superagent,主打少占用人的注意力 — daniel_mac8 · 2026-11-03
- UIBunny 开放 8000 张 350 款真实产品截图库，可经 MCP 接入 AI agent — coiboi48 · 2026-11-03