文档解析：10 个工具，各自的短板都写清楚

标签「文档解析」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。

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。
ChatPDF chatpdf.com · 读文档 · Web · 需海外网络
传一份 PDF 就能对话提问，回答会指出在第几页，适合快速过完一份几十页的报告或合同。
短板：扫描件识别很差，图里文字基本读不到；免费额度按文件数卡得很紧。
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。
MarkItDown github.com/microsoft/markitdown · 读文档 · CLI · 自建即离线
微软出的轻量转换器，把 Office、PDF、HTML、图片元数据统一转成 Markdown，写进提示词前最省事的一步。
短板：不做 OCR，扫描件出来是空的；复杂表格只剩文字，行列结构全丢。
PDF.ai pdf.ai · 读文档 · Web · 需海外网络
面向合同和论文的 PDF 问答，能按页追问、把回答整理成摘要发给别人。
短板：引用定位到页但常指错段落；免费额度用完只能订阅，没有自建选项。
智谱清言 chatglm.cn · 通用对话 · Web / App · 国内直连
智谱 GLM 系列的网页端，文档解析、代码、联网检索都在一个框里，还能建自己的智能体。
短板：长上下文下前后一致性一般，读到后面就忘前面的约束；更强的模型要开会员。
PaddleOCR paddleocr.com · 读文档 · 开源自建 · 自建即离线
中文 OCR 的第一梯队，印刷体识别率高，带版面分析和表格识别，扫描件转结构化数据最常用的一套。
短板：装 Paddle 环境经常卡在依赖上；手写体和糊掉的扫描件错误率明显上升，交付前必须人工抽检。
PageIndex pageindex.ai · 读文档 · 开源自建 / API · 需海外网络
不做向量检索，而是给长文档建目录树，回答时先定位章节再读原文，适合几百页的规范、年报和合同。
短板：靠模型自己挑章节，挑错就会答出原文里没有的结论；扫描件还得先 OCR，链路更长。

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 · IDE 插件 · 批量处理 · 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 ·