← 六张分榜 · 选型矩阵

文档解析榜：12 个方案，按上手成本排

扫描件、表格、公式变成可检索的文字。这是内网知识库的第一道坎，也是最容易翻车的一步。

这类方案怎么挑

• 先拿自己的 20 份真实文件试：公告、合同、票据、双栏论文，四种版式结果完全不同。
• OCR 和「版面还原」是两件事：只做 OCR 的项目，表格会糊成一坨。
• 整页交给视觉模型更省事，但页数一多，时间和算力都是线性成本。

榜单

1. Tesseract — 单机；文档解析；显存 无；难度 1/5；Apache-2.0。
   最老牌的 OCR，纯 CPU、中文语言包成熟，部署成本几乎为零。 注意：不做版面分析和表格还原，扫描件歪一点准确率就掉；复杂文档别指望它。
2. DocTR — Docker；文档解析；显存 无；难度 2/5；Apache-2.0。
   文档 OCR 的训练 + 推理框架，模型小、CPU 就能跑，适合嵌进自己的服务。 注意：中文识别明显弱于 PaddleOCR，中文场景要先实测再定。
3. Docling — 单机；文档解析；显存 无；难度 2/5；MIT。
   IBM 开源的多格式文档解析（PDF/DOCX/PPTX/HTML），版面和表格结构还原完整。 注意：中文复杂版式不如国内方案，扫描件质量差时准确率下降明显。
4. Unstructured — Docker；文档解析；显存 无；难度 2/5；Apache-2.0（核心）。
   文档切分的事实标准库，格式覆盖最全，很多 RAG 产品的解析层就是它。 注意：切分策略要自己调；中文语义切分不如专门方案，需配合重排。
5. PaddleOCR — Docker；文档解析；显存 4G；难度 2/5；Apache-2.0。
   中文 OCR 的事实标准，检测/识别/版面/表格各有模型，纯 CPU 也能跑。 注意：多模型串联、参数一大堆；版面复杂的票据要自己写后处理，官方管线不覆盖你的特殊版式。
6. Marker — 单机；文档解析；显存 8G；难度 2/5；GPL-3.0（商用需授权）。
   PDF → Markdown 速度快、公式与表格还原好，适合大批量技术文档。 注意：中文支持一般；商用闭源必须单独买授权，GPL 不能直接嵌产品。
7. MinerU — Docker；文档解析；显存 8G；难度 2/5；AGPL-3.0。
   PDF 转结构化 Markdown/JSON，专治扫描件、公式、表格和乱版式，可完全本地跑。 注意：解析是重活，批量几百份要排队；AGPL 对商业闭源产品有限制。
8. PaddleOCR / PP-StructureV3 — 单机；文档解析；显存 8G；难度 2/5；Apache-2.0。
   中文 OCR 与版面还原的事实标准，发票、表格、证件识别可直接本地跑。 注意：纯 OCR 和版面还原是两件事，表格结构要单独开结构化模型。
9. Surya — 单机；文档解析；显存 8G；难度 2/5；GPL-3.0。
   多语言 OCR + 版面分析，90 多种语言，阅读顺序识别比纯 OCR 好用。 注意：GPL 传染，闭源产品要么买商业授权要么别碰；中文准确率仍略逊 PaddleOCR。
10. Zerox — Docker；文档解析；显存 8G；难度 2/5；MIT。
    把 PDF 每页渲染成图交给视觉大模型转 Markdown，复杂版面也能整页读懂。 注意：吃视觉模型能力，页数多时时间和算力线性上涨；表格精度看模型，不能保证。
11. PDF-Extract-Kit — 单机；文档解析；显存 8G；难度 3/5；AGPL-3.0。
    MinerU 背后的模型集合：版面、公式、表格、OCR 都拆开给你单独调。 注意：只给模型不给管线，拼接、去重、阅读顺序全要自己写；AGPL。
12. olmOCR — 单机；文档解析；显存 24G+；难度 3/5；Apache-2.0。
    Allen AI 的 PDF 线性化模型，学术论文和复杂版式还原质量高。 注意：吃显存，且英文向；中文场景要另做评测再决定。

字段核验：2026-11。榜单免费，多条件筛选、CSV 导出与 MCP 接入在会员里。