Marker：快速把PDF转成Markdown

Marker 把 PDF 快速、准确地转成 Markdown 与 JSON，专为喂给大模型的文档预处理而设计。

RAG 和文档问答的效果，往往卡在「PDF 解析得干不干净」这一步——标题层级乱了、表格散了、公式丢了，再强的模型也救不回。Marker 是 datalab-to 出的 PDF 转换工具，主打高准确率与速度：把 PDF 转成保留结构的 Markdown/JSON，正确处理标题、段落、列表、表格、公式、图片与阅读顺序。仓库 datalab-to/marker 以 Python 为主、Apache-2.0 许可，2026 年仍在活跃更新，星标约 4 万（以 GitHub 为准），官网 https://www.datalab.to 。

信息卡

• 项目名称：Marker
• 编程语言：Python
• 开源许可证：Apache-2.0
• GitHub 地址：https://github.com/datalab-to/marker
• 官网或 Demo：https://www.datalab.to

核心能力

结构化 Markdown 输出。 不是简单的文字抽取，而是尽量还原文档结构：标题分级、段落分段、列表、加粗等格式都被保留。转出来的 Markdown 直接可读、可入库，喂给大模型时上下文清晰。对论文、手册、报告这类结构明显的文档尤其擅长。

表格、公式与图片处理。 表格转成 Markdown 或 HTML 表格，数学公式转 LaTeX，图片被提取并妥善引用。这三类是 PDF 解析最容易丢的内容，Marker 对它们有专门处理，减少「转完发现关键数据没了」的挫败。

正确的阅读顺序。 多栏排版、图文混排的 PDF，最怕解析出来文字上下乱序。Marker 在版面与顺序上做了优化，让输出贴合人的阅读顺序。顺序正确与否，直接决定后续检索与问答的质量。

速度批量与人机协作。 支持批量转换与多进程处理，适合成规模的文档入库。它还有配套的编辑与审阅流程，机器转完可人工校对。官方另有基于同一技术栈的 Surya（OCR/版面模型）作为底层支撑。Apache-2.0 许可便于集成到自有管线。

使用上手

1. 准备 Python 环境；按官网文档 pip install marker-pdf（GPU 环境速度更快，CPU 也可运行）。
2. 单文件转换：marker_single 你的文件.pdf --output_format markdown。
3. 批量转换：用 marker 命令指向文件夹，配置工作进程数并行处理。
4. 检查输出：重点看表格、公式与阅读顺序，必要时人工校对或调整参数。
5. 集成：把输出接入你的知识库、RAG 管线或向量库，作为文档入库的标准化一步。

优点与不足

优势是转换结构与顺序准、表格公式图片处理到位、支持批量、Apache-2.0 许可宽松、与 RAG 管线契合。局限：极复杂或扫描质量差的 PDF 仍需人工校对；GPU 能显著提升速度但非必需；大批量处理对内存/显存有要求。星标与版本以 GitHub 为准。

适合谁

适合搭建 RAG/知识库、需要高质量文档预处理的开发者；要把大量 PDF 论文、报告、手册转成可检索文本的研究与内容团队；以及追求「转完就能用」、不愿自己调版面解析的人。

下载与访问

仓库 https://github.com/datalab-to/marker （Apache-2.0）；官网 https://www.datalab.to 。

许可证与部署

本文属于「项目」分类的 AI 资源专栏，更多评测见分类页。