本帖罗列市面上的pdf转markdown工具，毕竟markdown文本更适合在RAG流程中传递给llm。
1、gemini 2.0模型
本质上也是用了ocr。效果还行。必须借助prompt让gemini分批次回复转换的结果。
我目前使用的prompt：
https://memos.gujiakai.top/m/A6Vix8xhMrupJwf9TM9UKt
目前阶段【截至2025.2.14】，gemini 2.0 exp模型对于图表、数学公式转换还是存在缺陷的，毕竟这些点目前最先进的ocr可能也难以应对。
考虑时间等成本，我的解决方案图表保留标题，去除掉图表【尽可能减小在RAG流程中的噪音，少掉的部分，如果真需要在RAG中输出，则通过citation的方式，让用户自寻查找解决方案】，数学公式摆乱，毕竟LLM对于数学也不是精通的那种。
补充一些gemini 2.0多模态能力，处理PDF数据的博文：
2、docling：Docling - Docling
对于图表、数学公式存在瑕疵，但是转换结果相较于PyMuPDF而言更棒，PyMuPDF的转换结果更零散。
近期PyMuPDF没试过，不清楚体验有无改进，但去年年底体验给我的感受就是docling更胜一筹。
而且最近在reddit上也看到有老哥称赞docling，综合成本和效果考虑，确实docling在这方面是很有竞争力。
用了多天mineru处理数据，发现docling处理相较mineru更有利于RAG流程中的chunk根据文档结构分块。
3、llamaparse：https://cloud.llamaindex.ai/
premium模式转换结果确实非常好，但可惜是闭源服务，有免费额度，但是对于一定数量的文件而言就需要破费了。
近期随着gemini 2.0 flash的正式上线，也第一时间集成了，但总体而言，还是受限于成本。
4、Doc2X：https://doc2x.noedgeai.com/
据说转换效果不错。但也属于是付费项目。
看演示视频很惊艳。没体验过，一般我都是直接用docling，以后可以尝试尝试。
需要高级LLM API，归根结底还是付费服务，为了转换质量，可以一试，如果一般转换就行，直接用docling更佳，开源项目，除了算力，不需要额外付费。
持续更新，还有很多选项。
不愧是大模型时代的文档提取/转换神器，转换效果比docling都要来得好。
而且是开源项目，如果懒得自部署，用官方的saas服务，可以申请api。
不好说孰优孰劣，只能说各有特色。完美转换是不存在的。
补充：
MinerU的最大优势：本地部署后可以接入LLM，为OCR加持，LLM越强，OCR效果越好。
听网友说的，有机会本地部署试试，接入Qwen VL/Gemini系列模型，成本和效果可以平衡。虽然很想尝试GPT/Claude，但价格劝退。
marker项目：GitHub - VikParuchuri/marker: Convert PDF to markdown + JSON quickly with high accuracy
粗看了一下页面，也有对应的saas api服务。效果不清楚如何，目前docling、mineru感觉够用了。
olmOCR：https://olmocr.allenai.org/
olmOCR 是一种开源工具，旨在将 PDF 和其他文档高吞吐量转换为纯文本，同时保持自然阅读顺序。它支持表格、方程式、手写等。
huggingface space：PDFParsersPlayground - a Hugging Face Space by chunking-ai
pdf 2 markdown游乐场。
mistral ocr：Mistral OCR | Mistral AI
看了simonwillison大神的测评，pdf转markdown还是差点意思。
mistral压根就没崛起过，一直在炒作。
没有完美的解决方案，docling、mineru也不是完美的解决方案，能做到90%+其实也已经够了，希望未来能有100%完美转换的解决方案。
结合docling和gemini的PDF转markdown工具。
还能生成表格、图片描述。
看起来不错，具体没试过。
又一个借助LLM的PDF转Markdown项目。
cloudflare的markdown转换功能：Markdown Conversion · Cloudflare Workers AI docs
网友做了一个demo站点：Office File to Markdown | HTML.ZONE
相关项目地址：GitHub - xxnuo/serverless-markdown-convertor: Markdown Conversion
我上传了一份pdf，看了一下转换效果，只能说还行，但比不上docling和mineru。
扫描件PDF转Markdown项目：[开源] 扫描件 PDF 转 Markdown / EPUB，自动修复 OCR 错误 - V2EX
Textin付费服务：
Gemini 2.5 Pro YYDS！！！！！