批量处理：9 个工具，各自的短板都写清楚

标签「批量处理」下的人工收录条目。按场景编排，不按热度——我们没有可信的流量数据，就不假装有排名。

全部 155 个工具

• MinerU mineru.net · 读文档 · 开源自建 / CLI · 自建即离线 · 配套 skill
  把 PDF 转成 Markdown / JSON：扫描件、双栏论文、复杂表格基本保形，公式也认得出来。给知识库喂文档的第一步就用它。
  短板：成批处理要自己写队列；极其复杂的版式仍会错行，转完要抽检。
• Docling github.com/docling-project/docling · 读文档 · 开源自建 · 自建即离线
  IBM 出的文档解析库，PDF / DOCX / PPTX 统一转成结构化数据，自带版面分析和表格结构，适合写进自己的流水线。
  短板：表格还原不如 MinerU 激进；大文件很慢，要配并发。
• RAGFlow ragflow.io · 读文档 · 开源自建 · 自建即离线 · 配套 skill
  开箱可用的知识库 / RAG 引擎，带文档解析和可视化切片，把公司文档变成能问答的库。
  短板：解析质量取决于你接的模型；部署是好几个容器，运维成本要走 IT。
• Whisper github.com/openai/whisper · 语音 · 开源自建 / CLI · 自建即离线
  语音转文字的事实标准，中文识别准，本地跑不联网，做会议和访谈转写先看它。
  短板：长音频要自己切；实时性差，生产环境别直接用原始实现。
• faster-whisper github.com/SYSTRAN/faster-whisper · 语音 · 开源自建 · 自建即离线 · 配套 skill
  Whisper 的高效实现：同精度下快数倍、显存占用更低，批量转写的实际选择。
  短板：要自己写服务层和队列；GPU 环境配不好会比原版还慢。
• vLLM github.com/vllm-project/vllm · 本地跑模型 · 开源自建 · 自建即离线 · 配套 skill
  高吞吐推理服务，多人共用一个模型时的默认选择，提供 OpenAI 兼容接口。
  短板：PagedAttention 会预占显存，单卡跑大模型容易 OOM，得先算 KV cache。
• Marker github.com/datalab-to/marker · 读文档 · CLI · 自建即离线
  把 PDF、扫描件批量转成 Markdown，公式、表格、图片位置都尽量保住，是给 RAG 做前置清洗的常用选择。
  短板：首次运行要下模型；版面花哨的杂志页仍会把表格拆散，重要文档必须人工校一遍。
• Unstructured unstructured.io · 读文档 · 开源自建 / API · 自建即离线
  把 PDF、Word、HTML、邮件切成带类型（标题/正文/表格/列表）的段落块，直接喂进向量库。
  短板：高质量模式要装一堆 OCR 与版面模型和系统依赖；默认切块参数几乎一定要按自己的文档调。
• Crawl4AI crawl4ai.com · 搜索与研究 · 开源自建 · 自建即离线
  开源的 LLM 友好爬虫，输出干净 Markdown 和结构化抽取结果，支持异步批量，接进自建流水线最顺手。
  短板：动态页面要自己配 Playwright；反爬强的站照样被封，重试和限速策略都得自己写。

换个标签看：开源 · 需海外网络 · 中文优先 · 本地部署 · 免费额度 · 免费可用 · 图像生成 · 编程 Agent · 知识库问答 · 文档解析 · IDE 插件 · 深度检索 · 语音合成 · 转写 · 多模型 · 本地推理 · 文生视频 · 引用可追溯 · 表格分析 · 图生视频 · 工作流编排 · 机器人搭建 · API 网关 · 数据查询 · 终端 CLI · 多文件重构 · 长文档 · 写作办公 · 自动化 · 建站 · 设计协作 · 桌面应用 · 会议纪要 · UI 生成 · OCR 扫描件 · 学术检索 · 演示文稿 · 图生图 · 剪辑 · 编程框架 · 仓库问答 · 沙箱隔离 · 数字人 · 推理服务 · 格式转换 · 语音克隆 · 网页抓取 · 微调 ·