Marker PDF转Markdown转换器

一个老问题：PDF 里的结构很难带到下游

PDF 的设计目标是「打印得和原版一样」，而不是「让机器读懂结构」。同一份文档里，表格常被拍平成像素，公式变成不可复制的图形，代码块的缩进丢失，双栏排版更会让抽取工具把左栏和右栏的文字交错拼接。工程师拿到结果后往往还要写大量正则去修复，成本有时超过重新录入。

这个技能做了什么

Marker 把这件事拆成一条流水线：

1. 版面检测：先识别页面上的文本块、表格区域和公式区域，而不是按行硬切。
2. 结构化抽取：把 PDF、DOCX、PPTX 和图片中的内容转换成干净的 Markdown、JSON 或 HTML。
3. 保留难缠结构：表格、公式（LaTeX）、代码块和多栏布局都有专门处理路径，能维护阅读顺序。
4. 可选 LLM 强化：追求最高还原度时，可以开启 LLM 增强抽取，对模糊或复杂版面做二次判断。

对下游流程来说，Markdown 可以直接进 RAG 切片，JSON 方便程序消费，HTML 则保留了一定的展示语义。

适用边界与注意点

• 商业用途要授权：自托管用于商业场景需要 licensing，团队在选型前要确认合规路径。
• LLM 增强有成本：开启后会更慢更贵，建议只对疑难页面启用，而不是全量开启。
• 转换不等于完全保真：扫描件、手写批注、复杂图形等场景仍需人工抽查，应把它当作高准确率的起点而非终点。