本文系统对比了 Dolphin、MarkItDown、MinerU、Marker 等主流开源 PDF 转 Markdown 工具，围绕结构保真、图片表格提取、AI 能力与易用性等维度，帮助技术读者快速选型并理解各工具的适用场景。
工具功能对比总览
在选择 PDF 转 Markdown 工具时，结构保真度、图片表格处理能力、AI 智能解析和易用性是核心考量。下表汇总了四款主流工具的关键功能差异，便于快速对比。
| 功能维度 | ByteDance Dolphin | Microsoft MarkItDown | OpenDataLab MinerU | Datalab Marker |
|---|---|---|---|---|
| 目录层级保留 | 基本保留章节层级，偶有顺序误差 | 不保留，仅纯文本 | 保留，支持标题分类 | 保留，精准识别层次 |
| 图片内容 | 检测并输出图片 | 仅占位符，不导出图片 | 导出图片并关联说明 | 自动导出图片文件 |
| 表格样式 | Markdown 表格，复杂表格易失真 | 简单表格或纯文本，样式丢失 | HTML 嵌入，保留样式 | Markdown 表格，LLM 优化复杂表格 |
| 超链接保留 | 仅文本，链接目标缺失 | 可能丢失链接，仅文本 | 链接目标未显式导出 | 识别并输出 Markdown 超链接 |
| 图表标题引用 | 识别并绑定说明 | 不保留 | 智能匹配标题与图表 | 检测标题与引用，输出参考链接 |
| AI 智能解析 | 视觉大模型 OCR，两阶段解析 | 可选 Azure 文档 AI 或 GPT | OCR+ 多模型管线，自动识别 | OCR/布局模型，LLM 可选 |
| 使用方式 | 本地命令行，无界面 | CLI/Docker，无网页 UI | CLI/Python API/Web 演示/App | CLI/GUI/API/在线平台 |
| 免费开放性 | MIT 许可，开源免费 | MIT 许可，开源免费 | 代码友好，模型含 AGPL | GPL/研究许可，商用需授权 |
| 安装部署 | 克隆代码 + 依赖 + 模型下载 | pip 一键安装/Docker | pip/uv/Docker，自动下载模型 | pip 安装，支持 GUI/服务器 |
| 底层技术 | Vision Transformer OCR | PDFMiner+ 规则转换 | 版面检测+OCR+ 表格 + 公式多模型 | 轻量模型 + 规则+LLM 辅助 |
| 项目背景 | 字节跳动研究团队，ACL 论文 | 微软 Autogen 团队，社区活跃 | 清华&上研所，更新频繁 | EndlessAI 初创团队，商业支持 |
| 扩展定制 | 输出格式有限，需改源码 | 插件机制，易扩展 | 流水线可自定义，配置丰富 | 支持自定义逻辑和 LLM Prompt |
MinerU：多模型融合的高保真解析
MinerU 由 OpenDataLab 开源，融合多种 AI 模型，最大限度复原文档结构和内容：
- 自动判别标题层级，输出清晰 Markdown 结构。
- 图片、表格、公式均完整提取，复杂表格以 HTML 嵌入。
- 支持 84 种语言 OCR，自动检测扫描件。
- 公式识别率高，LaTeX 格式友好。
- 安装支持 pip/uv/Docker，首次运行自动下载模型。
- 资源占用高，推荐 GPU 环境。
MinerU 适合学术论文、复杂报告等高保真需求场景，部署复杂但解析质量接近商用工具。并且 MinerU 的文档和社区较为活跃，便于获取支持和交流。MinerU 还提供了客户端与 Web 页面，方便非技术用户使用。
Marker：高效全能的现代解析方案
Marker 由 EndlessAI 团队开发，兼顾速度与结构保真：
- 保留章节、段落、列表、脚注等结构，阅读顺序合理。
- 图片和表格均自动导出，支持 LLM 优化复杂表格和公式。
- 超链接和参考文献均可保留，支持多格式和多语言。
- 支持 CLI、GUI、API 和在线服务，易用性强。
- GPL/研究许可，商用需授权。
Marker 适合批量转换、结构复杂文档和多语言场景，速度快、功能全，唯一需关注许可限制。笔者在测试中发现，Marker 对图片的处理较为出色，可以保存高清的原文档图片，但对复杂表格的支持相对较弱。笔者在进行 电子书翻译 时使用的就是 Marker。
Dolphin：视觉大模型驱动的结构还原
Dolphin 由字节跳动研究团队开源，采用视觉 Transformer OCR 和布局理解，能自动还原 PDF 版面结构，输出结构化 Markdown/JSON。其优势在于：
- 自动保留章节、段落、表格、公式、图片及标题等结构。
- 图片和公式均以 Markdown 语法嵌入，公式支持 LaTeX。
- 表格以 Markdown 表格输出，复杂表格易失真。
- 超链接仅保留文本，无法还原 URL。
- 依赖深度学习两阶段解析，适合复杂版面和扫描件。
- 本地命令行运行，无需联网，安装需下载模型权重。
Dolphin 适合对布局保真要求高、需本地自托管的场景，但复杂表格和标题顺序偶有错乱，需人工后处理。
MarkItDown：多格式支持与插件扩展
MarkItDown 是微软开源的通用文件转 Markdown 工具，主打多格式支持和易用性：
- 支持 PDF、Word、PPT、Excel、图片等多种格式。
- PDF 仅提取纯文本，不保留标题层级和排版。
- 表格多为纯文本，复杂样式丢失，图片仅输出占位符。
- 支持插件机制，可扩展新格式和自定义处理。
- 可选 Azure 文档 AI 或 GPT 生成图片描述。
- 安装便捷，pip 一键安装，社区活跃。
MarkItDown 适合快速获取文本内容或批量处理多格式文件，但结构保真度有限，需后期整理层级和格式。
其他开源工具与新兴 AI 项目
除上述主流工具外，以下方案也值得关注：
- Pandoc：文档转换“瑞士军刀”，支持多格式互转，适合结构清晰 PDF 快速转换。
- pdf2md (Node.js)：轻量 CLI，适合批量处理和 web 集成。
- markitdown-go：Go 环境专用，运行高效，易集成。
- olmOCR：专注扫描件 OCR，适合图像文字识别。
- pdf-to-markdown-gpt：AI 驱动，适合轻量项目。
- Docling、appjsonify、DocXChain：新兴 AI 项目，支持结构化解析和自定义流程，适合学术和复杂场景。
下表总结了这些新兴工具的特点和适用场景：
| 工具类别 | 典型代表 | 优势场景 |
|---|---|---|
| 通用结构良好 | Pandoc | 章节、公式、脚注结构化文档 |
| JS 环境轻量工具 | pdf2md (Node.js) | 快速批处理，web 集成 |
| Go 环境专用 | markitdown-go | 命令行高效，Go 项目集成 |
| 扫描件/复杂图像 PDF | olmOCR + 组合 | OCR 强，图像文字识别 |
| AI 驱动高保真 | pdf-to-markdown-gpt、Docling | AI 理解结构，格式保留更多 |
| 学术 PDF 深度解析 | appjsonify、DocXChain | 论文布局和结构分析 |
如何选择 PDF 转 Markdown 工具？
经笔者实际测试，MinerU 的转换速度较快，可以识别复杂表格并通过 HTML 来渲染，但是对图片处理不够友好，可能导致图片截取不完整。Marker 在结构保真和图片表格处理上表现较好，且支持多种使用方式，但商业许可限制较多。Dolphin 适合对布局要求高的场景，但复杂表格处理不佳。MarkItDown 适合快速获取文本内容，但结构保真度有限。所有这些工具都有一个通病，就是对 PDF 的文档目录结构识别不够准确，尤其是多级标题和章节顺序，有时会出现错乱，需人工后期调整。总体看来推荐 Marker 和 MinerU 作为首选，Dolphin 和 MarkItDown 可作为补充工具。也可以根据具体需求组合使用，对于图书结构的文档推荐使用 Marker，对于更加开放和自由格式的文档推荐 MinerU。
总结
本文系统梳理了 Dolphin、MarkItDown、MinerU、Marker 等主流开源 PDF 转 Markdown 工具的功能特点与适用场景。对于结构保真、图片表格提取、AI 智能解析和易用性等维度，各工具各有优势。实际选型时，建议结合文档复杂度、部署环境和商业许可要求，优先考虑结构保真度高且易用性强的方案。对于学术论文、复杂报告等高要求场景，推荐 MinerU 或 Marker；如需快速批量处理或多格式支持，可选 Pandoc 或 MarkItDown。未来，AI 驱动的文档解析工具将持续提升解析质量和自动化能力，值得持续关注。