在 AI 领域，高效处理 PDF 文档是提升知识管理效率的关键。另文末有福利，先到先得~
随着检索增强生成（RAG）技术的普及，从朴素 RAG 到高级 RAG，再到 GraphRAG 的快速演进，如微软的 GraphRAG 和 LightRAG 等框架不断涌现。这些框架提升了 RAG 的精度，但大多不支持 PDF 格式，而企业内部却存在大量 PDF 文档。因此，将这些资料有效整合进内部知识库成为技术挑战。
然而，各种开源 PDF 解析和商用 PDF 解析工具到底性能怎么样？是否能够精确地处理好一直被诟病的图表转换问题？最近新出的论文《A Comparative Study of PDF Parsing Tools Across Diverse Document Categories[1]》评测了 10 种流行的 PDF 解析工具，如下表所示。
我们使用Google NotebookLLM对该论文进行分析，它推荐适用性更强的 PDF 解析器PyMuPDF和更适用于论文解析的Nougat。本文在此基础上，加入商业 PDF 解析工具TextIn(通用文档解析器，合合信息旗下)和国内某商用产商（后面以某产商代指）的文档解析器，并以该论文作为样本，探索它们在文本提取、表格检测、图像提取、易用性中的真实表现。无论你是研究人员还是开发者，本文的发现将为你选择合适的解析工具提供宝贵的指导，助力提升文档处理的效率和准确性。
先说结论，满分 5 分。
1.1 PyMuPDF
PyMuPDF是一个高性能的 Python 库，用于从 PDF（以及其他）文档中进行数据提取、分析、转换和操作。它支持快速处理 PDF 文件，提供了灵活的接口来提取文本、图像、表格等内容，并且可以进行页面操作、格式转换等多种功能，广泛应用于文档处理、自然语言处理（NLP）任务及数据分析等领域。为了输出 Markdown，这里需要使用它的另外一个版本 PyMuPDF4LLM。API 很简单，非常容易集成到 RAG 应用流程。
使用方法
1.2 TextIn
合合信息是一家人工智能及大数据科技企业，具有优秀的智能文字识别技术，是 OCR 领域领先开发者。公司 C 端产品主要为面向全球个人用户的 APP 产品，包括扫描全能王、名片全能王等；同时也为开发者提供智能文档处理服务。在 TextIn 平台注册后，即可领取 100 页免费测试额度。打开TextIn的通用文档解析工作台，点击左侧上传文件即可，如下图所示。
速度非常快，几乎瞬间转换完成，并且可以逐个段落点击进行高亮对比，如果发现错误也可以手工进行修正，这一点能极大提升文档转换和校正的效率。校正完成后，点击右下角的导出结果按钮即可导出 markdown 文件。本次比对，暂不手动校正，影响其他评测指标，但是否方便校正本身也是一种指标。
除此之外，TextIn 也支持像 PyMuPDF 一样通过 API 调用。在平台获取 Token 之后，按照如下同步代码，即可转换 PDF 为 Markdown。
返回的结果中直接包含 Markdown 的内容，速度很快不到 2 秒 19 页就解析完成了，可以极大提升我们文档处理效率。同时提取的内容可以保存为 md 或者直接将其 chunk 分割，更容易直接集成到 RAG 应用的流程中。
1.3 Nougat
Nougat是 Meta 于 2023 年 8 月开源的一款专门用于学术文献的 PDF 解析器，能够理解 LaTeX 数学公式和表格。它是一种基于视觉 Transformer 的模型，执行光学字符识别（OCR）任务，将科学文献处理为标记语言。
1.4 某产商
这家公司也同样支持多样化的文档解析，支持网页端直接上传和使用 API 访问，但是不支持导出为 Markdown，API 需要先上传再轮询状态获取。意味着我们需要离线处理文档，无法直接集成到 RAG 应用流程中。
接下来，我们准备开始对比。对比采用两种方式，文本采用大模型帮助我们比对，而图表我们则使用肉眼直接进行观察，这样更为准确。
既然要看抽取的文档质量是否有差错，可以考虑使用大模型帮助我们自动评判与原文在语义上的相关性，是否存在一些错误的转译。我们选择论文 3.1 节中双排图文混排进行对比。
2.2 编写 LLM 评测代码
如下 Prompt 然后要求 ChatGPT 进行打分。
结果输出如下
我们选取了一个比较有代表性的表格来比较，这个表格有左侧是目录，而右侧标题列，且分为两行副标题列。
3.1原文
3.2 PyMuPDF
PyMuPDF 的表格提取，我其实想问问你提取的是啥？这是表格？
不能说完美，但简直一模一样，除了标题列 Metrics 与 Precision 融合到一起之外，没有任何问题，而这种小错误在校正阶段即可手动修复掉。
3.4 Nougat
Nougat 虽然号称是专为学术领域打造的 PDF 论文解析器，然而在这个表格提取上，属实拉胯。目录丢失严重，关键信息丢了，右侧数据再完整又有何用？但它的公式表现确实不错。
3.5 某产商
它输出的是 Word 文档，在这个表格上表现不错。但 Word 文档里的表格，RAG 要想正确处理还需要费一番功夫。
但其实论文里充斥的公式导致了整体排版有点混乱，这一点我们在文本比对中并没有显式进行对比，当然本文重点也不是公式比对。
正如我们之前所说，我们采用肉眼对比图像，接下来多图预警。本节采用 2.1 节中所用图文混排的双排论文作为比对对象。
4.1 PyMuPDF
PyMuPDF 丢失所有图像，只保留图标题。
4.2 TextIn
可以看到 TextIn 准确地识别出了排列，以及图片和其对应的描述。这里图片内容并不影响文本本身的连续性，因为 markdown 中图片内容是以注释[]( "")格式存在。在 RAG 应用进行 chunk 的时候，并不会导致文本连续受到影响。
4.3 Nougat
Nougat 会把论文中所有的图都丢弃，只保留了图的标题。就这个解析还把原文中的小标题 3.1 丢弃了，整个排版也变得乱序起来，丢大分，耗时就不说了。
4.4 某产商
图像提取出来了，图像标题也提取了，但是混合到正文中去了，且没有分隔符分开。
综上，不论是在图表提取、格式兼容还是效率上，TextIn 无疑表现更为优秀，而且非常容易集成到 RAG 的 Pipeline 中。因此，在 RAG 应用中如果你有大量的 PDF 文档，尤其是图表较多的场景，推荐你使用合合信息 TextIn 的通用文档解析器提升文档解析效率。
