# 影片筆記：7份PDF实测：MarkItDown、Docling、Marker、MinerU 到底怎么选？


<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->
## ⚠️ 可先使用，仍有待修正項目

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

- 待修正：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）
- 待修正：逐字稿可先使用，但有待校正清單（segment=88 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=89 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

## 一句話總結

本影片重新進行了四款 PDF 轉 Markdown 工具（MarkItDown、Docling、Marker、MinerU）的實測，核心觀點在於**「工具不是答案，可靠的質檢流程才是關鍵」**。測評目標並非尋找單一最佳工具，而是評估轉換後的輸出是否足以放心交付給 AI 處理（進入 AI 上下文）。結果顯示各工具在速度、結構穩定性及適用場景上各有優劣，建議使用者根據文件類型（如普通文本、複雜表格、掃描件）選擇合適工具，並建立包含檢查文本層、閱讀順序、表格結構及圖片公式抽樣的標準作業流程。

## 核心重點

1.  **測評核心目標**：
    *   評估同一份 PDF 轉換為 Markdown 後，其輸出內容是否足以放心交給 AI 處理（進入 AI 上下文）。
    *   分數僅是「質檢信號」，用於判斷輸出是否有資格進入下一步，而非絕對真理。

2.  **測評方法論**：
    *   **樣本設計**：涵蓋七類樣本（原生文本報告、可填寫表單、雙欄論文、財報表格、長技術手冊、專利 PDF、幻燈片 PDF）。
    *   **策略**：每類僅切代表頁，避免直接整本跑長文檔（如 Apple 10K, NASA 手冊），以免測到的是壓力測試而非抽取質量。
    *   **腳本功能**：切樣本頁、運行四個工具、檢查關鍵詞/標題/表格型/圖片引用和可讀摘錄。

3.  **工具特性與推薦場景**：
    *   **MarkItDown**：速度極快（平均 1.23 秒），適合快速預覽普通 PDF。
    *   **Docling**（筆記中稱 Darklin/Duckling）：結構感最穩（平均 88.9 分），適合需要結構、表格和知識庫候選的場景。
    *   **Marker**：在無 OCR、無圖片提取的文本層快速配置下表現良好（平均 88.1 分），但需明確邊界，適合確認 PDF 有文本層且不需要 OCR 的場景。
    *   **MinerU**：屬重型管線（平均 79.1 分），適合願意為複雜版面承擔配置成本的場景，面對掃描件或複雜版面值得保留。

4.  **可靠流程建議**：
    *   PDF 入庫前應執行四個檢查：
        1.  有沒有文本層。
        2.  閱讀順序有沒有亂。
        3.  表格行列有沒有保住。
        4.  圖片、公式、掃描頁有沒有抽樣。

## 詳細大綱

### 一、 測評目標與方法論
*   **核心問題**：同一份 PDF 變成 Markdown 後，能否放心交給 AI？
*   **測評範圍**：僅比較成功輸出的效果。
*   **環境說明**：運行環境、設備選擇、依賴細節僅作為內部診斷，不作視頻結論。
*   **樣本設計細節**：
    *   共七類：原生文本報告、可填寫表單、雙欄論文、財報表格、長技術手冊、專利 PDF、幻燈片 PDF。
    *   策略：每類只切代表頁。避免直接整本跑長文檔（如 Apple 10K, NASA 手冊），以免測到的是壓力測試而非抽取質量。
*   **腳本功能**：
    1.  切樣本頁。
    2.  跑四個工具。
    3.  檢查關鍵詞、標題、表格型、圖片引用和可讀摘錄。
*   **分數定義**：非絕對真理，僅為質檢信號，判斷輸出是否有資格進入下一步（AI 上下文）。

### 二、 配置邊界設定
*   **MarkItDown**：使用預設離線轉換。
*   **Docling**（筆記中稱 Darklin）：輸出 Markdown，並將圖片設為 Placeholder。
*   **Marker**：使用 No OCR、No Image Extraction 的文本層快速配置（不代表預設 OCR 能力）。
*   **MinerU**：使用 Pipeline，保留表格，但本輪不評估公式解析。

### 三、 總覽結果與工具特性
*   **MarkItDown**：
    *   七個樣本全部完成。
    *   平均規則分 83，平均耗時 1.23 秒。
    *   特點：速度非常快。
*   **Docling**（筆記中稱 Darklin）：
    *   平均 88.9 分，平均 9.31 秒。
    *   特點：不是最快，但結構感最穩。
*   **Marker**：
    *   平均 88.1 分，平均 36.2 秒。
    *   特點：邊界需寫清楚，適合有文本層、不需要 OCR 的場景。
*   **MinerU**：
    *   平均 79.1 分，平均 27.79 秒（註：逐字稿中出現兩次 27.7 分/秒，後修正為 27.79 秒）。
    *   特點：更像重型管線，適合願意為複雜版面多付配置成本的場景。

### 四、 案例詳細分析
1.  **Nest 報告**：
    *   四個工具都能讀到目錄和 Executive Summary，但結構不同。
    *   MarkItDown：將目錄更像普通文本串出來。
    *   Docling 和 Marker：更容易形成表格化目錄。
    *   MinerU：保留了標題，但表格結構弱一些。
2.  **W 四表單**：
    *   重點不在有沒有字，而在 Step 1 姓名、地址、Worksheet 等字段是否在同一個語意塊裡。
    *   Docling 和 Marker：結構最完整。
    *   MinerU：給出 HTML Table。
    *   MarkItDown：很快，但更像線性文本。
3.  **雙欄論文**：
    *   論文最怕閱讀順序飄移。
    *   MarkItDown：開頭會帶一些 AR 14 頁面噪聲。
    *   Docling, Marker, MinerU：都能穩定抓到標題和作者，但後續圖表位置仍需抽樣檢查。
4.  **財報表格**：
    *   三家都拿到高分，但真實輸出有差異。
    *   Docling：年份列、指標行更規整。
    *   Marker：也能保留多列表格。
    *   MarkItDown：可用，但有些列被拆得更碎。
    *   MinerU：輸出 HTML Table，不過個別行會有重排噪聲。
5.  **長技術手冊**：
    *   建議：長文檔不要一上來整本入庫，先抽目錄、圖表說明和章節頁。
    *   Docling 和 Marker：目錄結構最清楚。
    *   MarkItDown：適合快速預覽。
    *   MinerU：保留部分圖像線索。
6.  **專利 PDF**：
    *   看起來像掃描件，但實際帶有可抽取文本層。
    *   因此，No OCR 配置也能拿到內容。
    *   啟示：PDF 製簡第一步，先判斷有沒有文本層，不要只憑頁面長相決定要不要 OCR。
7.  **幻燈片 PDF**：
    *   所有工具都不算輕鬆。
    *   問題不在讀不到字，而在語意藏在佈局裡（大標題、箭頭、左右分組、圖形關係）。
    *   轉成 Markdown 後，這些關係很容易被壓平成段落。

### 五、 結論與建議流程
*   **工具選擇建議**：
    *   快速讀普通 PDF：MarkItDown 適合做第一刀。
    *   要結構、表格和知識庫候選：Docling 更穩。
    *   確認 PDF 有文本層且不需要 OCR：Marker 的快速配置表現很好，但一定要注明邊界。
    *   面對掃描件或複雜版面：MinerU 值得保留，但要接受更重的依賴和參數成本。
*   **可靠流程**：PDF 入庫前做四個檢查：
    1.  有沒有文本層。
    2.  閱讀順序有沒有亂。
    3.  表格行列有沒有保住。
    4.  圖片、公式、掃描頁有沒有抽樣。
*   **核心觀點**：工具不是答案，質檢流程才是答案。
*   **未來展望**：下一期可能將測評變成批量 PDF 入庫工作流，不僅看 Markdown 好不好看，還看能否引用、追溯、查錯。

## 工具 / 模型 / 名詞整理

*   **MarkItDown**：測評工具之一，以速度見長。
*   **Docling**（筆記中亦稱 Darklin、Duckling）：測評工具之一，結構穩定性佳。
*   **Marker**：測評工具之一，文本層配置表現良好。
*   **MinerU**：測評工具之一，重型管線，適合複雜版面。
*   **Apple 10K**：作為長文檔壓力測試的反面例子提及。
*   **NASA 手冊**：作為長文檔壓力測試的反面例子提及。
*   **Nest 報告**：測評樣本之一，用於測試目錄與摘要結構。
*   **W 四表單**：測評樣本之一，用於測試表單字段語意塊完整性。
*   **AR 14**：雙欄論文案例中提及的頁面噪聲來源，具體指代不明。
*   **HTML Table**：MinerU 輸出格式之一。
*   **Markdown / MarkDone / Mark it down / MarkDown**：逐字稿中對同一工具名稱拼寫不一。
*   **Minor U**：雙欄論文案例中出現，疑為 MinerU 的聽寫錯誤。
*   **盡 Rack hole**：結尾處出現，疑為聽寫錯誤，具體指代不明。

## 操作流程整理

1.  **樣本準備**：
    *   從七類 PDF（原生文本、表單、雙欄論文、財報、技術手冊、專利、幻燈片）中各切取代表頁。
    *   避免整本長文檔直接運行，以確保測試的是抽取質量而非壓力測試。
2.  **工具配置**：
    *   **MarkItDown**：預設離線轉換。
    *   **Docling**：輸出 Markdown，圖片設為 Placeholder。
    *   **Marker**：關閉 OCR 與圖片提取，僅使用文本層快速配置。
    *   **MinerU**：使用 Pipeline，保留表格，暫不評估公式解析。
3.  **執行與檢查**：
    *   運行腳本對四個工具進行轉換。
    *   檢查關鍵詞、標題、表格結構、圖片引用及可讀摘錄。
4.  **質檢評估**：
    *   根據分數（質檢信號）判斷輸出是否合格。
    *   針對不同案例（如雙欄論文的閱讀順序、財報的表格完整性、專利的文本層存在性）進行具體分析。
5.  **最終篩選與入庫**：
    *   根據文件類型選擇合適工具。
    *   執行四項檢查（文本層、閱讀順序、表格結構、圖片公式抽樣）。
    *   將通過質檢的內容進入 AI 上下文或知識庫。

## 值得注意的限制或風險

1.  **工具非萬能**：沒有單一工具在所有場景下都是最佳選擇，需根據文件類型（普通文本、複雜表格、掃描件）匹配工具。
2.  **結構丟失風險**：
    *   **MarkItDown**：可能將目錄轉為普通文本，或將表格列拆得太碎。
    *   **MinerU**：雖保留表格但可能產生重排噪聲，且為重型管線，配置成本高。
    *   **幻燈片 PDF**：語意藏在佈局（箭頭、分組、圖形關係）中，轉 Markdown 後易被壓平成段落，導致語意丟失。
3.  **OCR 依賴誤區**：專利 PDF 看似掃描件但可能有文本層，若盲目進行 OCR 可能浪費資源；反之，若無文本層則必須依賴 OCR。第一步應判斷是否有文本層。
4.  **閱讀順序飄移**：雙欄論文等複雜版面容易出現閱讀順序錯誤，需特別檢查標題、作者及圖表位置的穩定性。
5.  **數據一致性問題**：MinerU 的速度數據在逐字稿中存在單位混亂（分與秒混用），最終雖修正為 27.79 秒，但原始數據存在矛盾。

## 逐字稿辨識疑點

*   **MarkDone / Mark it down / MarkDown**：逐字稿中對該工具的稱呼不一致，分別出現「MarkDone」、「Mark it down」、「MarkDown」。
*   **Duckling / Darklin / Docling**：逐字稿中交替出現「Duckling」與「Darklin」，指代同一個測評對象，疑為聽寫錯誤或模型名稱混淆。根據標題應為 Docling，但筆記中暫保留 Darklin/Duckling 之稱呼並列疑點。
*   **Miner U / Miner U / Minor U**：逐字稿中出現「Miner U」與「Miner U」，以及雙欄論文案例中的「Minor U」，疑為同一工具名稱的聽寫差異或錯誤。
*   **W 四表單**：具體名稱不明，疑為特定表單名稱或聽寫錯誤。
*   **AR 14**：在雙欄論文案例中出現「AR 14 頁面噪聲」，具體指代不明，疑為特定術語或聽寫錯誤。
*   **盡 Rack hole**：在結尾處出現「盡 Rack hole 能不能引用」，疑為聽寫錯誤，具體指代不明。
*   **著名邊界**：在 Marker 建議中出現「一定要著名邊界」，疑為「注明邊界」或「明確邊界」的聽寫錯誤。
*   **27.7分 / 27.7分 / 27.79秒**：Miner U 的數據在逐字稿中重複且單位混亂（分與秒混用），最後修正為 27.79 秒，但原始數據存在矛盾。

## 可延伸追問

1.  對於「W 四表單」這類複雜表單，是否有特定的 Markdown 結構建議來保留語意塊？
2.  在雙欄論文測評中，「AR 14 頁面噪聲」具體是指什麼內容？如何有效過濾？
3.  若 PDF 確實無文本層且為掃描件，MinerU 的公式解析能力在後續版本中是否有改進？
4.  如何自動化執行「檢查文本層、閱讀順序、表格行列、圖片公式抽樣」這四個質檢步驟？
5.  下一期提到的「批量 PDF 入庫工作流」中，如何具體實現引用、追溯與查錯功能？