2026 年值得认识的 20 个开源 OCR 与 PDF 抽取工具
MaryamMiradi · x · 2026-11-23
作者为构建围绕真实文档的 RAG/Agent 系统梳理了 2026 年开源 OCR + PDF 抽取生态,按场景分五类:
- 原生 PDF 抽取:PyMuPDF4LLM(转 Markdown/JSON)、pdfplumber(文本/坐标/表格)、pypdf——数字文本干净时的首选。
- OCR 引擎:Tesseract(经典基线)、PaddleOCR(多语言+文档AI)、Surya(OCR+版面+阅读顺序)、EasyOCR、docTR。
- 文档解析器:Docling、MinerU(公式/表格/阅读顺序)、Marker(转 Markdown/JSON/HTML)、Unstructured(抽取+分块)。
- VLM 解析:olmOCR、OCRFlux(复杂版面+跨页表格)、MonkeyOCR、dots.mocr、Zerox——作者最感兴趣的一类,模型不再只认字,还在理解文档结构。
- 专用工具:GROBID(学术论文元数据)、Camelot(PDF 表格)、Nougat(公式/学术 PDF)。
核心观点:最好的 OCR 模型不等于最好的文档管线;生产级 Agent 的目标不是抽出文字,而是保留足够的结构与语义供模型正确推理。作者预告后续可能做 Docling vs MinerU vs Marker vs olmOCR 等横评。
「编程与Agent」频道最新
- 开发者给 Grok Bot 接上小票打印机,被召唤就自动打印 — mattyp · 2026-11-23
- 博主凌晨三点被 Neon 驱动的 Gemini 任务结果惊到直接起床干活 — TheTuringPost · 2026-11-23
- 开发者定义个人 agent 核心难题:跨会话保持工作区一致 — andreisavu · 2026-11-23
- VS Code 市场连拒 4 版扩展,作者改写安装脚本绕过扫描器 — PawelHuryn · 2026-11-23
- 微软发布 Azure AI 架构设计指南,含 Foundry Agent 参考架构 — adnan_hashmi · 2026-11-23
- Perplexity 发布 Teammates 多智能体,Max 订阅月费 200 美元专享 — dnlkwk · 2026-11-23