Docling本站重点
TableFormer、可插拔 OCR、DoclingDocument JSON、MIT 本地许可的文档理解。比纯提取慢，安装较重（模型约 500MB）。安装 →
对比
Docling vs 替代方案
没有通用冠军，只有与你的文档、硬件、许可和 RAG 架构最适配的选择。TL;DR 如下，证据在矩阵中。
已用 Docling v2.129.0 验证 · 最近检查 2026-09-22 · 独立运营，无付费排名。
TL;DR
本地 RAG 的混合 PDF → Docling。GPU 上的论文、公式与 CJK → MinerU。企业多格式 ETL → Unstructured。海量干净 PDF 求极速 → PyMuPDF（+表格用 pdfplumber）。书籍与扫描文本 → Marker。免运维托管解析 → LlamaParse。权衡见下文。
1
结论
谁该选什么？
Unstructured
最广格式覆盖（60+），partition + chunk_by_title，加付费云 API。hi_res 质量需要搭建与 GPU，最佳功能向商业版迁移。
PyMuPDF / pdfplumber
最快的文本提取（约0.01秒/页），网格表格精准。无版式模型、无 OCR，PyMuPDF 为 AGPL，扫描件会静默输出空结果。
Marker
Surya 2 + LaTeX 公式的精美 Markdown。Marker 2 fast 模式可跑 CPU、GPU 上最佳；Apache-2.0 代码附权重上限；无框业务表格偏弱。
MinerU
DocLayout-YOLO 版式 SOTA、UniMERNet 公式与最强 CJK。需 GPU、安装笨重、Apache 系许可附商业阈值，论文与公式之选。
2
查找器
三问给出起点
回答三个问题获得起点，再用矩阵验证。
在上方选择，这里将显示带理由的推荐。
3
矩阵
完整对比矩阵
按采购真实问题分组。? 显示定义，每个工具名链向官方文档。用筛选与差异开关降噪。
| 功能 | Docling | Unstructured | PyMuPDF / pdfplumber | Marker | MinerU |
|---|---|---|---|---|---|
| 文档理解是还原顺序、版式与表格，还是只导出文本。 | |||||
| 版式与阅读顺序 ? | Yes | Partial (hi_res) | No | Yes | Yes (DocLayout-YOLO) |
| 表格结构 ? | Yes (TableFormer) | Partial / paid tiers | Basic grid | Yes | Yes (TableMaster + merge) |
| 公式与数学 ? | Enrichment pass | Partial | No | Yes (Surya 2) | Best (UniMERNet LaTeX) |
| 多栏版式 ? | Yes | Partial | No | Best-in-class | Yes |
| 页眉页脚过滤 ? | Yes | Yes | Manual | Partial | Yes (auto) |
| 文本提取与 OCR数字 PDF 要速度，扫描件要 OCR，没有全能引擎。 | |||||
| 原生文本速度 ? | Medium (~0.3–3 s/pg) | Fast / hi_res medium | Fastest (~0.01 s/pg) | Fast (CPU ok) | Slow (GPU-bound) |
| 扫描件 OCR ? | Yes (pluggable) | Yes | No (needs Tesseract) | Yes (Surya 2) | Yes (PaddleOCR) |
| OCR 引擎选择 ? | 6+ engines | Tesseract / Paddle | External only | Built-in (Surya 2) | Built-in (PP-OCRv6) |
| CJK 与复杂文字 ? | Good | Good | Basic | Good | Best-in-class |
| 输入与输出输入（格式）与面向 LLM 的输出（Markdown、JSON、分块）。 | |||||
| 输入格式 ? | 20+ formats | 60+ formats | PDF-centric | PDF + books | PDF + Office + EPUB |
| Markdown 输出 ? | Yes | Yes | Via pymupdf4llm | Yes | Yes |
| 结构化 JSON ? | Yes (DoclingDocument) | Yes (Elements) | No | Partial | Yes (content list) |
| 可分块结构 ? | Yes | Yes (chunk_by_title) | No | Yes (--output chunks) | Partial |
| 部署与运维运行位置、硬件需求与运维成本。 | |||||
| 本地/离线运行 ? | Yes | Partial (API push) | Yes | Yes | Yes |
| 硬件需求 ? | CPU ok, GPU faster | CPU ok, GPU for hi_res | CPU only | CPU ok, GPU for best | GPU needed (4–8 GB) |
| 安装体积 ? | ~500 MB models | Heavy (Detectron2) | Light (~20 MB) | Medium–heavy | Heavy |
| 许可证 ? | MIT | Apache 2.0 + commercial | PyMuPDF: AGPL / pdfplumber: MIT | Apache-2.0 + weight cap | Apache-based + thresholds |
| AI/RAG 适配面向生产 RAG 的连接器、智能体与多模态输入。 | |||||
| RAG 集成 ? | Yes | Yes | No | Partial | Partial |
| 智能体/MCP 服务 ? | Yes | No | No | No | No |
| 音频/视频（ASR） ? | Yes | No | No | No | No |
| 云 API 选项 ? | Self-host | Yes (paid) | No | Yes (Datalab API) | No (opt-in remote) |
| 成本与信任单页价格、治理归属与主张验证方法。 | |||||
| 自托管成本 ? | Free (MIT) | Free OSS / paid API | Free / licence terms apply | Free within weight cap | Free within thresholds |
| 治理归属 ? | Linux Foundation AI | Unstructured.io | MuPDF / community | Datalab | OpenDataLab / SAI Lab |
| 最适合 ? | Accurate local RAG | Multi-format ETL | Fast text extract | Books & papers | Papers, math & CJK |
为选型参考而非基准测试。精度数字来自 200–500 PDF 独立研究（见方法）。决策前请以官方文档复核，版本变化很快。
4
对决
诚实的一对一
Docling 赢在哪、输在哪、何时切换，一一说明。
Docling vs Unstructured
官方文档经验：以 PDF 为主的自建 RAG → Docling。异构 ETL（SharePoint、S3、60+ 格式）→ Unstructured。
优势（Unstructured）
- 60+ 输入格式与云连接器
- chunk_by_title 结构化切分
- 带编排的托管 API
短板
- hi_res 需要 Detectron2/GPU 与搭建
- 最佳功能向付费迁移
- 本地 OSS 弱于云 API
结论：PDF 为主的自建 RAG 选 Docling。格式动物园要托管运营，选 Unstructured 并预留 API 预算。
Docling vs PyMuPDF / pdfplumber
官方文档经验：已知干净的海量数字 PDF → PyMuPDF。其余 → 前面加 Docling。
优势（PyMuPDF）
- 约0.01秒/页，比 ML 流水线快 10–50 倍
- 安装极小，处处可跑
- pdfplumber 在网格表格上很强
短板
- 无版式模型与阅读顺序
- 无 OCR，扫描件输出为空
- 注意 PyMuPDF 的 AGPL 条款
结论：唯速度且 PDF 干净，选 PyMuPDF。一旦出现表格、分栏或扫描，Docling 的投入就值。
Docling vs Marker
官方仓库经验：CPU 本地的业务表格 → Docling。CPU 可跑/GPU 上的书籍与扫描文本 → Marker 2。
优势（Marker）
- 多栏阅读顺序最强
- Surya 2 OCR + LaTeX 公式
- 书籍的干净 Markdown；fast 模式可跑 CPU
短板
- 最高质量仍需 GPU（balanced 模式）
- 中重型安装
- Apache-2.0 代码但权重有上限（约$5M）；无框表格偏弱
结论：200 PDF 独立测试中表格 Docling 领先（TEDS 约0.89对0.81），阅读顺序 Marker 领先，看场景定。
Docling vs MinerU
官方文档经验：CPU 本地的业务表格 → Docling。GPU 上的论文、公式与 CJK → MinerU。
优势（MinerU）
- 版式 SOTA（宣称 97.5 mAP）的 DocLayout-YOLO
- UniMERNet 公式、跨页表格合并
- 最强 CJK
短板
- 需 GPU（4–8GB），单页流水线慢
- 安装笨重；表格输出为 HTML
- Apache 系许可附商业阈值与署名义务
结论：版式与公式 MinerU 领先，类型化文档、CPU 友好与许可简明 Docling 领先。按语料路由：论文走 MinerU，业务走 Docling。
Docling vs MarkItDown
官方文档经验：受限环境中的简单 PDF + Office 混合 → MarkItDown。结构、表格或 OCR → Docling。
优势（MarkItDown）
- MIT、约80MB、单文档一秒内
- 格式覆盖极广（Office、HTML、音频、EPUB）
- 可选 Azure 文档 OCR 后端
短板
- pdfminer 内核：无版式模型、表格错乱
- 分栏串行；默认无 OCR
- OCR 需 LLM 插件或付费 Azure 页面
结论：把 MarkItDown 留作 Office/高速通道：它是转换器，不是文档理解的替代品。
Docling vs LlamaParse
Docling 文档经验：LlamaIndex 技术栈、非涉密、中等体量 → LlamaParse。涉密、离线或海量 → 自托管 Docling。
优势（LlamaParse）
- 分级模式（Fast 到 Agentic Plus）可锁定版本
- 复杂版式精度强；免费额度慷慨
- 零运维；LlamaIndex 原生集成
短板
- 按页计费（约 $0.003–0.01），线性增长
- 数据离境；闭源
- SDK 迁移中；无公开基准透明度
结论：为省心付费，而非为独占付费：2026 年基准显示小型开放 VLM 在单卡上已持平。Mistral OCR、Reducto、Extend 与大厂 API（Azure、Textract、Google）同属托管路线：对比单页价、数据出境与锁定。
5
代码
同一任务，四种工具
每种工具做 PDF → Markdown。复制运行，感受搭建与输出的差别。
Docling（CLI）
docling convert report.pdf --to md --ocr-engine rapidocr一条命令完成版式+表格+OCR 的本地流水线。
Unstructured（Python）
from unstructured.partition.pdf import partition_pdf
elements = partition_pdf('report.pdf', strategy='hi_res')hi_res 需要版式模型，fast 策略弱得多。
PyMuPDF（Python）
import fitz
doc = fitz.open('report.pdf')
text = '\n'.join(p.get_text() for p in doc)极快，但扫描页会静默输出空结果。
Marker（CLI）
marker_single report.pdf --output_dir out/Marker 2 fast 模式可跑 CPU，最高质量在 GPU。
MinerU（CLI）
mineru -p report.pdf -o ./out需 GPU；表格输出 HTML，公式输出 LaTeX。
MarkItDown（CLI）
markitdown report.pdf -o report.md极快极小，但无版式模型、默认无 OCR。
6
方法
本页如何构建
依据：官方文档（Docling、Unstructured、PyMuPDF、Marker 仓库）加独立基准：200 PDF 对比（表格 TEDS、阅读顺序）与 500 PDF 企业研究（表格、分栏、OCR、速度）。要点：表格 Docling 领先（约97.9%/TEDS约0.89），阅读顺序与 GPU 速度 Marker 领先，原始速度 PyMuPDF 领先。
诚实规则：无付费排名，列出对手优势，版本（Docling v2.129.0、检查 2026-09-22）置顶。修正经 GitHub，以官方来源复核。
许可 2026 年复核：Marker 2 代码为 Apache-2.0（权重有上限），MinerU 使用附商业阈值的 Apache 系许可。
7
FAQ
常见问题
哪个最快？
数字 PDF 上 PyMuPDF 约0.01秒/页，比 ML 流水线快 10–50 倍。仅限干净文本层，扫描件需要 OCR。
表格哪个最准？
业务表格是 Docling（TableFormer，研究约97.9%）；付费云 API 有时更高，以持续费用与数据出境为代价。
能完全离线吗？
能：Docling、PyMuPDF/pdfplumber、Marker 均可本地运行。Unstructured 的最佳能力在云 API。
SaaS 选哪个许可最安全？
Docling（MIT）最省心。PyMuPDF（AGPL）、Marker（GPL v3）需法务评估；Unstructured 是 Apache 2.0+商业混合。
扫描 PDF 怎么办？
Docling 可插拔 OCR（如 CPU 上的 RapidOCR），或 GPU 上的 Marker/Surya。单用 PyMuPDF 只会返回空字符串。
应该组合工具吗？
常见做法：高速页用 PyMuPDF、表格页用 Docling、疑难页用云。按页面质量路由胜过单一工具思维。
明天还有效吗？
版本变化很快（见页顶状态）。做架构决策前请查官方文档与发布说明。
MinerU 与 LlamaParse 摆在哪？
GPU 上的公式/CJK 论文用 MinerU；按页成本低于自运维时用 LlamaIndex 托管解析。两者在 CPU 友好与许可简明上不及 Docling。