PDF 内容提取工具对比：从纯文本到结构化解析

PDF 内容提取大概有两种方向。

一种是只要纯文本，越快越好。这里 pdftotext 很合适，但它不会完整保留图表、公式、图片说明这类信息。

另一类是希望输出给人看，最好还能保留标题、表格、图片说明、阅读顺序。以前我会优先看 Docling，最近用了 MinerU 之后，感觉它在一些 PDF 上识别得更稳。这个只是个人使用感受，不是严谨测试指标。

工具概览

pdftotext

pdftotext 是 Poppler 工具集里的命令行工具。它做的事很窄：把 PDF 里的文字抽出来，尽量快，不管格式。

特点很直接：

• 处理速度快
• 输出纯文本，后处理简单
• 安装和运行成本低
• 适合批量任务

Docling

Docling 是 IBM 开源的文档解析工具，可以把 PDF、DOCX、PPTX、XLSX 等文档转换成 Markdown、JSON 等结构化格式。

它比 pdftotext 重很多，但输出也更完整：标题层级、表格、图片、公式、阅读顺序这些信息都能尽量保留下来。你要做文档预览、知识库展示，或者希望后面继续按结构处理内容，Docling 会比纯文本方案舒服。

Docling 的资源占用和启用的功能有关。如果只做基础解析，压力不算夸张；如果打开公式识别、图表识别这类能力，显存占用会明显上去。

MinerU

MinerU 是 OpenDataLab 开源的文档解析工具，目标也是把 PDF、图片、Office 文档和网页解析成 Markdown / JSON，方便后续给 LLM / RAG 这类流程使用。

官方提供了 MinerU Web 版，可以免费上传文档体验；也可以用 GitHub 仓库 自部署。官方文档里也有 Docker 部署方式。我自己为了避开 Python 和 pip 包版本兼容问题，直接用容器跑，并基于官方 Dockerfile 打了镜像：

podman pull docker.io/nite07/mineru:latest

仓库 https://git.nite07.com/nite/custom-containerfile

我最近更偏向 MinerU，主要有几个原因。

第一，识别正确率在我的文档上感觉比 Docling 好一些。

第二，它对“看起来像表格但没有边框”的内容处理得不错。很多 PDF 里的表格其实只是靠空白和对齐排出来的，普通解析器容易把它拆成散乱文本。MinerU 经常能把这类内容整理成 Markdown 里可读的表格，这点对后续阅读和整理都很有用。

第三，它会识别图片内容，并在输出里加说明。比如图像、流程图、示意图和截图这些内容，不只是保存成图片文件，还会有一个 summary。某些输出会接近这种形式：

<details>
<summary>流程图</summary>

```mermaid
graph LR
    A["原始图像 X"] --> B["编码器"]
    B --> C["解码器"]
    C --> D["解压缩（或重建）图像 Ŷ"]
    style B fill:#ff0000,stroke:#333
    style C fill:#ff0000,stroke:#333
    note1["压缩比特流 Y"] --> B
    note2["x̂ = x, x̂ ≠ x"] --> C
```

</details>

这类输出对 Markdown 很友好。尤其是图表内容本来就不是普通文本，能先给出一个可读摘要，后面再人工修一下就行。

我还单独写过一篇 MinerU 低显存部署踩坑，里面记录了 8GB 显存下 hybrid-auto-engine OOM、vlm-auto-engine 反而能跑的问题。如果你打算本地部署，建议先看那篇。

使用方式对比

纯文本提取：pdftotext

如果任务只要求抽出正文，pdftotext 很省事。

它的优势不是“理解文档”，而是快。纯文本输出也更省 token，后面做清洗、切块和入库都简单。代价也很明确：图表、公式、图片说明、表格结构这些内容会丢掉或变形。

# 快速提取 PDF 文本
pdftotext document.pdf - | head -n 50

# 批量处理文档库
for file in documents/*.pdf; do
    pdftotext "$file" "text_output/$(basename "$file" .pdf).txt"
done

适合这些任务：

• 快速预览 PDF 文字
• 批量抽取正文
• 做全文搜索的粗索引
• 给后续解析流程做预检查

如果要做严肃的 RAG，尤其是技术文档、论文、财报这类 PDF，纯文本提取通常不够。图表、公式和表格本身就是材料的一部分，不应该默认丢掉。

结构化解析：Docling 和 MinerU

如果输出要给人看，或者你需要保留结构，Docling 和 MinerU 更接近这类需求。

Docling 的 Python API 用起来很顺手：

from docling.document_converter import DocumentConverter

converter = DocumentConverter()

result = converter.convert("report.pdf")
markdown_content = result.document.export_to_markdown()

with open("report.md", "w", encoding="utf-8") as f:
    f.write(markdown_content)

它也可以直接用 CLI 跑。默认输出 Markdown，也可以用 --to 指定 JSON、HTML 等格式，用 --output 指定结果目录：

# 默认转换为 Markdown
docling report.pdf --output output

# 指定输出 JSON
docling report.pdf --to json --output output

如果要走 VLM pipeline，也可以在 CLI 里指定：

docling report.pdf --pipeline vlm --output output

MinerU 用 CLI 跑也很直接：

mineru -p input.pdf -o output

如果用容器镜像，可以这样运行 webui：

podman run --rm \
	--device nvidia.com/gpu=all \
	-p 7860:7860 \
	-it mineru:latest \
	mineru-gradio --server-name 0.0.0.0 --server-port 7860

如果显存不够，可以参考前面提到的低显存部署文章，把后端切到 vlm-auto-engine 或 pipeline。在我的机器上，MinerU 的纯 vlm-auto-engine 模式反而比 Docling 开启公式、图表识别时更好跑一些。

mineru -p input.pdf -o output -b vlm-auto-engine

对比表

这几类工具不是替代关系。pdftotext 适合快速拿到纯文本；Docling 和 MinerU 更适合处理文档结构。最终效果还是要拿自己的 PDF 跑一遍，同一个工具在论文、扫描件、报表和课件上的表现可能差很多。

延伸阅读

• MinerU 官网
• MinerU GitHub 仓库
• MinerU 官方 Dockerfile
• MinerU 低显存部署踩坑
• Docling GitHub 仓库
• Docling CLI 参考
• Docling 技术报告
• Poppler 官方文档