这期我们重做一版PDF四方测评。不是问哪个工具永远最好,而是问同一份PDF变成MarkDone以后能不能放心交给AI。我先核对了四个工具的官方用法,再在本地跑同一套样本,Mark it down,Duckling,Marker,MinerU。这一次只比较成功输出的效果。运行环境,设备选择,依赖细节,只作为内部诊断。
不拿来做视频结论。样本一共七类,原生文本报告,可填写表单,双栏论文,财报表格,掌技术手册,专利PDF,还有换灯片PDF。每类只切代表页。因为Apple 10K,NASA手册这种长文档,如果直接整本跑,测到的很可能是压力测试,不是抽取质量。脚本做三件事,切样本页,跑四个工具,
最后检查关键词,标题,表格型,图片引用和可读摘录。分数不是绝对真理,它只是一个质检信号。这份输出有没有资格进入下一步?AI上下文。
先看配置边界。Mark it down 用默认离线转换。Darklin输出 Mark down,并把图片设为 Placeholder。Marker 这一轮使用 No OCR, No Image Extraction 的文本层快速配置,所以,它不代表默认 OCR 能力。
Miner U 使用 Pipeline,保留表格,但本轮不评估公式解析。总览结果,Mark it down 七个样本全部完成,平均规则分83,平均耗时1.23秒。它向第一道,速度非常快。Darklin 平均 88.9分,平均 9.31秒。它不是最快,但结构感最稳。
Marker 在这轮文本层快速配置下,平均 88.1分,平均 36.2秒。它的边界要写清楚,适合有文本层,不需要 OCR 的场景。
Miner U 平均 79.1分,平均 27.7分,平均 27.7分。
Darklin 平均耗时1.23,平均耗时1.23秒。它向第一道,速度非常快。Darklin 平均 88.9分,平均 9.31秒。
Darklin 平均 88.9分,平均 9.31秒。
Miner U 平均 79.1分,平均 27.79秒。它更像重型管线,适合你愿意为复杂版面多复配置成本的时候。第一个案例是 Nest 报告。四个工具都能读到目录和 Executive Summary,但结构不一样。Mark it down 把目录更像普通文本串出来。Darklin 和 Marker 更容易形成表格化目录。
Miner U 保留了标题,但表格结构弱一些。第二个案例是 W 四表单。
这里不是看有没有字,而是看 Step 1 姓名、地址、 Worksheet 这些字段还在不在同一个语意块里。Darklin 和 Marker 的结构最完整。
Miner U 给出 HTML Table,Mark it down 很快,但更像线性文本。第三个案例是双栏论文。论文最怕阅读顺序飘移。Mark it down 开头会带一些 AR 14 页面噪声。Darklin, Marker, Minor U 都能稳定抓到标题和作者,但后续图表位置仍然要抽样检查。
第四个案例是财报表格。这里三家都拿到高分,但看真实输出会发现差异。Darklin 的年份列,指标行更规整。Marker 也能保留多列表格。Mark it down 可用,但有些列被拆得更碎。Miner U 输出 HTML Table,不过个别行会有重排噪声。
第五个案例是长技术手册。长文档不要一上来整本入库,先抽目录、图表说明和章节页。Darklin 和 Marker 的目录结构最清楚。Mark it down 适合快速预览。Miner U 保留部分图像线索。
第六个案例是专利,PDF。它看起来像扫描件,但实际带有可抽取文本层。所以,No OCR 配置也能拿到内容。
这就是PDF 制简第一步,先判断有没有文本层,不要只凭页面长相决定要不要 OCR。最后是幻灯片,PDF。所有工具都不算轻松。问题不是读不到字,而是幻灯片的语意藏在布局里,大标题,箭头,左右分组,图形关系。
转成 Mark it down 后,这些关系很容易被压平成段落。所以,这期的结论不是选一个神工具。如果你只是快速读普通 PDF,Mark it down 很适合做第一刀。
如果你要结构、表格和知识库候选,Darklin 更稳。如果你确认 PDF 有文本层,而且不需要 OCR,Marker 的快速配置表现很好,但一定要著名边界。
如果你面对扫描件或复杂版面,Miner U值得保留,不过要接受更重的依赖和参数成本。
真正可靠的流程,是 PDF 入库前做四个检查,有没有文本层,阅读顺序有没有乱,表格行列有没有保住,图片,公式,扫描页有没有抽样。工具不是答案,质检流程才是答案。
下一期如果继续,我们可以把这套测评变成批量 PDF 入库工作流。
不仅看 Mark it down 好不好看,还看尽 Rack hole 能不能引用,能不能追溯,能不能查错。
不仅看 Mark it down 。