跳转到主要内容
PromptQuorum为人类设计。 为AI结构化。
主页/本地LLM进阶
RAG & Document Chat

Marker 评测:支持 OCR 和表格提取的 PDF 转 Markdown 工具

·6 分钟阅读 作者 · PromptQuorum创始人 · 开放权重与开源AI发现引擎

Marker(GitHub 40,000+ 星)使用 Surya OCR 模型将 PDF、DOCX、PPTX、XLSX、HTML、EPUB 和图片转换为 Markdown、JSON 和 HTML;代码采用 Apache-2.0 授权,模型权重使用单独的许可证并设有营收门槛。 Marker 是 Python 库和 CLI;安装命令:pip install marker-pdf。

关键要点

  • 代码采用 Apache-2.0,模型权重使用单独许可证;GitHub 40,000+ 星;由 Datalab 开发。
  • pip install marker-pdf:需要 Python 3.10+ 和 PyTorch。
  • 输出:Markdown、JSON(含边界框)、HTML 和 RAG 分块。
  • Surya VLM 负责 OCR;TableConverter 负责表格提取。
  • README 未提及 MCP 服务器。

📍 简单一句话

Marker 是 Python 库(代码采用 Apache-2.0,模型权重使用单独许可证),使用 Surya OCR 将 PDF、DOCX、PPTX、XLSX、HTML、EPUB 和图片转换为 Markdown、JSON 和 HTML,可在本机运行或使用 Datalab 托管 API。

💬 简单来说

输入文档,Marker 读取版面和文字(包括表格和扫描页),输出 RAG 系统或 LLM 可直接使用的 Markdown 或 JSON。默认情况下 Marker 在你的本机处理文档;可选的 --use_llm 模式可能把内容发送给你配置的 LLM 服务商。

📌注: PromptQuorum 未对 Marker 进行实机测试。所有信息来自 github.com/datalab-to/marker 和 datalab.to(2026 年 11 月 15 日查阅)。

Marker 是由 Datalab 开发的开源 Python 库和 CLI,使用 Surya 视觉语言模型进行 OCR,将 PDF、DOCX、PPTX、XLSX、HTML、EPUB 和图片转换为 Markdown、JSON 和 HTML。本评测基于 Marker GitHub 仓库 和 datalab.to(2026 年 11 月 15 日查阅)。

Marker 评测:支持 OCR 和表格提取的 PDF 转 Markdown 工具

功能

  • 输入格式: PDF、PPTX、DOCX、XLSX、HTML、EPUB 及常见图片格式。
  • 输出格式: Markdown、含边界框的 JSON、HTML、RAG 分块。
  • OCR: Surya VLM,支持多语言扫描文档。
  • 表格提取: TableConverter 以 Markdown 和 JSON 重建表格。
  • GPU 可选: 支持 GPU、CPU 或 Apple MPS。
  • Datalab API: 每月有免费额度(README 称约 5000 个转换页面,详见 datalab.to/pricing)。

安装

  • 本地: PDF 用 pip install marker-pdf;其他格式(PPTX、DOCX、XLSX、HTML、EPUB)用 `pip install marker-pdf[full]`。
  • Surya 服务: 首次使用时 Surya 会启动本地推理服务;NVIDIA GPU 需要带 vllm 的 Docker 和 NVIDIA Container Toolkit,CPU 或 Apple Silicon 需要 llama.cpp 的 llama-server 程序。
  • Datalab API: 在 datalab.to 创建账户;每月有免费额度(详见 datalab.to/pricing)。
  • 源码: github.com/datalab-to/marker(代码:Apache-2.0)。

数据流向

  • 默认情况下 Marker 在你的本机处理文档。可选的 --use_llm 模式可能把内容发送给你配置的 LLM 服务商(默认 gemini-3.5-flash;也支持 Claude、OpenAI 兼容接口、Azure、Vertex、OpenRouter 和 Ollama)。README 未说明模型权重何时下载;请预期在安装设置期间会有下载。
  • 使用 Datalab 托管 API 时,文档将上传至 Datalab 服务器。
  • 本评测未评估 Datalab 的隐私条款;发送机密文档前请到 datalab.to 核实。
  • 处理敏感内容时,请在本机运行 Marker 且不使用 --use_llm。

许可证与价格

  • 许可证: 代码采用 Apache-2.0。模型权重使用修改版 AI Pubs Open RAIL-M 许可证:研究和个人使用,以及上年总营收和累计融资均不超过 500 万美元的组织可免费使用;更大的组织需向 Datalab 获取商业许可,且该许可禁止用于与 Datalab 竞争的产品或服务。
  • 本地: 无需账户;在上述模型权重许可证条款范围内免费。
  • Datalab API: 每月有免费额度(README 称约 5000 个转换页面;定价页以美元标注:工作邮箱每月 20 美元,个人邮箱 10 美元);最新条款见 datalab.to/pricing。

📌注: 警告:商用前请确认模型权重许可证。只有 Marker 的代码采用 Apache-2.0。模型权重使用修改版 AI Pubs Open RAIL-M 许可证;总营收或累计融资超过 500 万美元的组织需向 Datalab 获取商业许可。

竞品与替代方案

  • Docling — IBM MIT 授权;有文档说明的 MCP 服务器(独立软件包 docling-mcp),更多输出格式。
  • MinerU — 开源,采用 MinerU Open Source License(Apache 2.0 加附加条款;商用前请核实);输出 Markdown、HTML、LaTeX。
  • Unstructured — Python ETL 库;支持邮件等广泛格式。
  • OpenDataLoader PDF — 仅限 PDF 的解析器,提供 Python、Node.js 和 Java SDK;输出含边界框的 JSON、Markdown 和 HTML。

在目录中比较

常见问题

Marker 可以免费商用吗?

取决于你的组织。代码采用 Apache-2.0,但模型权重使用修改版 AI Pubs Open RAIL-M 许可证:研究和个人使用,以及上年总营收和累计融资均不超过 500 万美元的组织可免费使用。更大的组织需向 Datalab 获取商业许可,且该许可禁止用于与 Datalab 竞争的产品或服务。商用前请确认模型许可证。

Marker 和 Docling 有何区别?

两者均可本地将 PDF 转为 Markdown。Marker 用 Surya OCR 专注于干净的 Markdown 输出;Docling 有文档说明的 MCP 服务器(独立软件包 docling-mcp)和更多输出格式。

Marker 需要 GPU 吗?

不需要。Surya VLM 支持 CPU 运行,GPU 可加速处理但非必需。

如何安装 Marker?

在 Python 3.10+ 环境中,PDF 运行 pip install marker-pdf,其他格式运行 `pip install marker-pdf[full]`,同时安装 PyTorch。首次使用时 Surya 会启动本地推理服务;NVIDIA GPU 需要带 vllm 的 Docker 和 NVIDIA Container Toolkit,CPU 或 Apple Silicon 需要 llama.cpp 的 llama-server 程序。

Marker 支持扫描 PDF 吗?

支持。Surya VLM 负责扫描文档和纯图片 PDF 的 OCR。

Marker 支持哪些输出格式?

Markdown、含边界框的 JSON、HTML 和 RAG 分块。

Marker 有 MCP 服务器吗?

Marker 的 README 未提及 MCP 服务器,因此没有文档说明的 MCP 服务器。如需有文档说明的 AI 助手集成,可考虑 Docling,它列出了此项。

Datalab API 是什么?

Marker 的开发方 Datalab 提供的托管 API 服务,每月有免费额度(README 称约 5000 个转换页面;定价页以美元标注:工作邮箱每月 20 美元,个人邮箱 10 美元),最新条款见 datalab.to/pricing。

Marker 能提取表格吗?

可以。TableConverter 组件以 Markdown 和 JSON 重建表格(README 记录功能)。

当前版本是什么?

v2.2.0,2026 年 11 月 12 日发布(GitHub Releases),2026 年 11 月 15 日确认。

参考资料

← 返回 本地LLM进阶

MCP