最适合的 PDF 转 Markdown 工具取决于你的工作方式。Python 开发者可以用 MarkItDown、Docling 等免费库。要在 GPU 上批量处理大量文件，Docling、Marker 或 MinerU 更合适。如果想要无需配置的 Windows 应用，可以用 MD Factory。Pandoc 能把许多格式转换为 Markdown，但不支持 PDF。
说明：MD Factory 是我们的产品。它处理 PDF 时使用下文对比的 Docling 和 Tesseract OCR 引擎。其他工具的信息均来自各自的 README、文档和许可证文件，核查日期为 2026 年 10 月 17 日。
对比表
本表依据各项目截至 2026 年 10 月的官方页面整理。这些工具更新很快，做决定前请查看链接页面。
| 工具 | 类型 | 扫描版 PDF | 运行环境 | 许可证 | 费用 |
|---|---|---|---|---|---|
| MarkItDown | Python 库和命令行 | 无内置 OCR；需要 LLM 插件或 Azure 服务 | Python 3.10 至 3.14 | MIT | 免费；Azure 调用另行计费 |
| Docling | Python 库和命令行 | 本地 OCR，可选多种引擎 | Windows、macOS、Linux；Python 3.10 或更高版本 | MIT；模型有各自的许可证 | 免费 |
| Marker | Python 库和命令行 | 使用自有模型的本地 OCR | Python 3.10 或更高版本，需 PyTorch；GPU、CPU 或 Apple Silicon | Apache 2.0；模型权重采用修改版 OpenRAIL-M 许可证 | 在权重许可证范围内免费；超出范围需商业许可证 |
| MinerU | Python 库、命令行和网页界面 | 本地 OCR | Windows、macOS、Linux；Python 3.10 至 3.14 | Apache 2.0 附加条款 | 低于许可证门槛时免费 |
| Pandoc | 命令行转换工具 | 无法读取 PDF | Windows、macOS、Linux | GPL 2.0 或更高版本 | 免费 |
| 在线转换工具 | 网站 | 取决于服务 | 浏览器 | 服务条款 | 免费或付费，视服务而定 |
| MD Factory | Windows 应用 | 内置本地 OCR | Windows 10 22H2 和 Windows 11，x64 | 专有 | 7 天免费试用，之后一次性购买 |
MarkItDown：Microsoft 的轻量转换工具
MarkItDown 是 Microsoft 推出的开源 Python 库和命令行工具。它可以把 PDF、Word、PowerPoint、Excel、HTML、EPUB、图片、音频等多种格式转换为 Markdown。需要 Python 3.10 至 3.14，README 建议把它安装在虚拟环境中。
pip install "markitdown[all]"
markitdown report.pdf -o report.md它内置的 PDF 转换器读取 PDF 的文本层，根据按列对齐的词语生成 Markdown 表格，不运行版面模型或 OCR 模型。README 说明，其输出面向文本分析工具，未必适合需要高保真、供人阅读的转换。
扫描页需要借助扩展。同一仓库中的 markitdown-ocr 插件会把每张扫描页渲染成图像，通过兼容 OpenAI 的客户端发送给视觉模型。Azure Document Intelligence 选项则把 PDF 发送到 Microsoft 的云服务，每次调用都会计费。无论哪种方式，页面都会发送到你配置的模型或服务。
MarkItDown 采用 MIT 许可证，免费使用。
Docling：版面模型与本地 OCR
Docling 是一款开源转换工具，最初由 IBM Research 发起，现由 LF AI & Data Foundation 托管。它在每个 PDF 页面上运行机器学习模型，识别版面、阅读顺序和表格结构，然后导出 Markdown、HTML 或 JSON。它可在 Windows、macOS 和 Linux 上运行，需要 Python 3.10 或更高版本。
pip install docling
docling report.pdf --output markdown --image-export-mode referenced模型会在首次使用时下载。对于无法联网的电脑，文档介绍了如何提前下载。OCR 在本地运行，可选择 EasyOCR、RapidOCR、Tesseract 等引擎。GPU 不是必需的：除 CPU 外，Docling 还可以使用 NVIDIA CUDA、Apple MPS 和 Intel XPU 设备。
示例中的最后一个选项会把图片另存为单独的 PNG 文件。不加该选项时，Docling 会把图片以 base64 文本嵌入 Markdown。
Docling 的代码采用 MIT 许可证，README 要求自行核查每个模型的许可证。其标准 PDF 流程中的版面模型和表格模型以 Apache 2.0 和 CDLA-Permissive-2.0 许可证发布。Docling 免费。
Docling 与 MarkItDown 对比
两者都免费、采用 MIT 许可证，并且一条 pip 命令即可安装。但它们读取 PDF 的方式不同。
| 对比项 | MarkItDown | Docling |
|---|---|---|
| 如何读取 PDF | 文本层和列对齐 | 版面、阅读顺序和表格结构模型 |
| 扫描页 | LLM 插件或 Azure | 本地 OCR |
| 安装内容 | 无 PyTorch，无版面或 OCR 模型 | PyTorch，以及首次使用时下载的模型 |
| 其他输入格式 | Office 文件、HTML、EPUB、图片、音频、ZIP 压缩包、YouTube 链接 | Office 文件、HTML、EPUB、图片、音频、LaTeX、电子邮件等 |
| 适用情形 | PDF 有文本层，且希望依赖尽量轻 | PDF 包含扫描页、多栏页面或需要保留的表格 |
如果拿不准，就用自己的 5 到 10 个 PDF 分别试试两者，并把生成的 Markdown 与原始页面对照。
Marker：GPU 批量处理，以及需要核查的模型许可证
Marker 是 Datalab 推出的开源转换工具。它把 PDF 和图片转换为 Markdown、JSON 或 HTML，安装额外依赖后还能处理 DOCX、PPTX、XLSX、HTML 和 EPUB。它需要 Python 3.10 或更高版本以及 PyTorch，可在 GPU、CPU 或 Apple Silicon 上运行。
pip install marker-pdf
marker_single report.pdf
marker pdfs --output_dir markdown
marker_single report.pdf --use_llmOCR 由 Datalab 的 surya 模型完成，运行在 Marker 首次使用时启动的本地推理服务器上：NVIDIA GPU 上用 Docker 中的 vLLM，CPU 和 Apple Silicon 上用 llama.cpp。Docker 或 llama.cpp 需要自行安装。在 CPU 上，Marker 默认使用快速模式，只在遇到扫描页、乱码文本和公式时才调用模型。
可选的 LLM 模式（即示例中的最后一条命令）会把内容发送给 LLM，用于合并跨页表格、整理行内数学公式和提取表单值。默认使用 Gemini；Claude、兼容 OpenAI 的 API 以及通过 Ollama 运行的本地模型也可使用。你需要所选服务的 API 密钥，或一个正在运行的 Ollama 模型。
在工作中使用 Marker 之前，请先核查许可证。代码采用 Apache 2.0。模型权重采用修改版 AI Pubs Open RAIL-M 许可证：个人使用、研究，以及年收入低于 500 万美元且融资总额低于 500 万美元的组织可以免费使用。规模更大的组织，以及雇主提供与 Datalab 竞争的产品的任何人，都需要向 Datalab 购买商业许可证。完整条款见 模型许可证文件.
Marker 的 README 还公布了 Datalab 自己在 olmocr-bench 上的测试结果，这是一个包含 1,403 个 PDF 的公开基准；在这些测试中，Marker 的 balanced 模式在 GPU 上的得分高于 Docling 和 MinerU。我们没有复现这些测试。
MinerU：从 CPU 到 GPU 的质量档位
MinerU 由 OpenDataLab 团队开发。它可以把 PDF、图片和 Office 文件转换为 Markdown 等格式。第 4 版有四个质量档位，从用于快速预览的 flash 到用于疑难文档的 advanced。它可在 Windows、macOS 和 Linux 上运行，需要 Python 3.10 至 3.14；README 中把它安装在虚拟环境里。
pip install "mineru>=4.0,<5"
mineru-kit parse report.pdf -o report.md --tier standard
mineru telemetry disable默认安装在 CPU 上运行。basic 档位需要约 0.8 GB 模型和 2 GB 内存；standard 和 advanced 档位需要约 2 GB 模型和 8 GB 内存。如果有显存至少 8 GB 的 NVIDIA GPU，安装 full 附加组件可以获得更高的吞吐量。OCR 在本地运行。
只有在你要求远程解析时，文档才会发送到 MinerU 的在线服务。README 还说明，MinerU 可能发送匿名使用遥测数据，其中不包含文档内容、文件名和路径。示例中的最后一条命令可以关闭遥测。
其许可证为 Apache 2.0 附加条款。月活跃用户超过 1 亿或月收入超过 2000 万美元的公司需要另行获得商业许可证，基于 MinerU 的在线服务必须注明使用了 MinerU。
Pandoc 无法读取 PDF
Pandoc 是一款免费的命令行工具，可在数十种文档格式之间转换，但无法读取 PDF。它的手册中没有把 PDF 列为输入格式，官方 FAQ 也说明无法用 Pandoc 转换 PDF。Pandoc 只能把 PDF 作为输出格式。来源： Pandoc 手册, Pandoc FAQ.
如果你手里有源文件而不只是 PDF，Pandoc 就很有用。它能读取 DOCX、PPTX、XLSX、EPUB、HTML、ODT、RTF 等格式，可安装在 Windows、macOS 和 Linux 上。在 Windows 上：
winget install --source winget --exact --id JohnMacFarlane.Pandoc
pandoc report.docx -o report.mdPandoc 采用 GPL 2.0 或更高版本许可证，免费使用。
在线转换工具：无需安装，但文件会离开你的电脑
把 PDF 转换为 Markdown 的网站无需安装，在任何浏览器中都能使用。对于一份本来就可以公开的文档，这样做就够了。
代价是失去控制权。PDF 会上传到另一家公司的服务器，文件保存多久、谁能访问、扫描件是否经过 OCR，都取决于该服务。上传合同、医疗或财务记录、客户文件之前，请先阅读该服务的隐私政策，或者改用在你电脑上运行的工具。
本地方案见我们的指南： 不上传文件也能转换文档.
MD Factory：把 Docling 和 Tesseract 做成 Windows 应用
MD Factory 是我们的产品，阅读本节时请考虑这一点。它是 Microsoft Store 上的 Windows 应用，可在你的电脑上把 PDF、DOCX、PPTX、XLSX、HTML、TXT、EPUB、CSV、EML、FB2 和 MOBI 文件转换为 Markdown。
处理 PDF 时，MD Factory 运行 Docling 和 Tesseract OCR 引擎。其他格式由应用自带的转换器处理。如果你熟悉 Python，Docling 和 Tesseract 是免费的，并且承担了 PDF 转换的核心工作。MD Factory 在此基础上补上安装配置和工作流程：
- 只需安装这个应用。版面模型、表格模型和 OCR 语言数据都已随附，因此无需配置 Python，之后也不用再下载任何内容。
- MD Factory 在你的电脑上识别扫描版 PDF，可自动检测文字系统，也可由你选择 OCR 语言。
- 添加文件或包含子文件夹的整个文件夹后，转换会立即开始。
- 每个 Markdown 文件都保存在源文件旁边，图片保存在旁边的文件夹中。原始文件保持不变。
- 每个文件最终会显示已完成、需要检查或失败。当某页的 OCR 置信度较低或没有提取到文本时，MD Factory 会标记为需要检查。
这些库在四个方面更强：
- MD Factory 没有命令行或 API，因此无法在脚本或服务器流水线中运行。
- 它只能在 Windows 10 22H2 和 Windows 11（x64）上运行。这些库还能在 macOS 和 Linux 上运行。
- 它在 CPU 上转换，不使用 GPU。PDF 逐个处理，其他格式并行处理。Docling、Marker 和 MinerU 可以使用 NVIDIA GPU。
- 7 天免费试用结束后，MD Factory 需一次性购买。这些库是免费的。
如何选择
如果你写 Python，而且 PDF 有文本层、同时还要转换 Office 文件或网页，可以先试 MarkItDown。需要本地 OCR、表格或跨栏的正确阅读顺序时，再换用 Docling。两者都免费。
如果你运行大规模处理流水线，可以考虑 Docling、Marker 和 MinerU：三者都能转换整个文件夹，并且可以使用 NVIDIA GPU。先用自己的文档样本测试；如果是商业用途，请核查 Marker 的模型许可证和 MinerU 的门槛。
如果你使用 Windows，又不想做任何配置，MD Factory 在 7 天免费试用后即可转换文件和文件夹（包括扫描件），无需命令行。如果你有 Word 或 EPUB 源文件，并且不介意使用命令行，Pandoc 是免费的。
如果文档属于机密，请选择在本地运行的工具，避免使用在线转换工具。使用这些库时，请检查会把数据发送到电脑以外的选项：MarkItDown 的 Azure 和 LLM 设置、Marker 的 LLM 模式、MinerU 的远程解析和遥测。MD Factory 在你的电脑上处理文件。
无论选择哪种工具，都请把几页 Markdown 与原文对照，尤其是表格、多栏页面和扫描页。
相关指南： 为 RAG 准备 PDF, 把扫描版 PDF 转换为 Markdown.