OmniDoc Dokumentuen erauzketa

OmniDoc Dokumentuen erauzketa / 2026ko konparaketa

Doako dokumentuak ateratzeko tresnak alderatuta 2026rako: PDF eta Markdown, eta JSON

PDFak, eskaneatutako dokumentuak eta Office fitxategiak Markdown eta JSON bihurtzea, izenburuekin, taula eta irudiekin, esan nahi du kode irekiko eredu bat auto-hosteatzea edo orrika ordaintzen den API bati deitzea. Orrialde honek zazpi tresna arrunten doako kuotak, sarrerak, irteerak eta konfigurazioa alderatzen ditu, zenbaki bakoitzaren iturri ofizialarekin.

Konparaketa hau OmniDoc taldeak idatzi du, eta OmniDoc gure produktua da. Beste tresna bati buruzko zenbaki guztiak bere orrialde ofizialetik edo biltegitik datoz, 2026ko azaroaren 14an egiaztatuak; ezer desberdintzen bada, haien orrialdeek irabazten dute.

Atera fitxategi bat doan OmniDocrekin

Ikuspegi orokor batetik: doako kuota, sarrerak eta irteerak

TresnaDoako kuotaSarrerakIrteera / konfigurazioa
OmniDoc doako dokumentuak ateratzeko gure tresnaGehienez 501 orrialde PDF bakoitzeko, ez dago hileko mugarik; doako planaren lanak ilara batean egoten dira; OmniDoc kontu bat behar daPDF, eskaneatutako PDF, PNG/JPG/WEBP/BMP irudiak, Word, PowerPoint, Excel, CSV, EPUB, HTML, Markdown, TXT, SRT/ASSWeb orria, ez dago ezer instalatu beharrik; ZIP bat document.md, document.json, images/ eta manifest.json-rekin
MinerUIturburu irekia, auto-hostitua; online API: 2.000 orrialde egunean kontu bakoitzeko lehentasun gorenean, eta lehentasun txikiagoan hortik aurreraPDF, irudiak, DOC/DOCX, PPT/PPTX, XLS/XLSX, RTF, ODT/ODS/ODP, EPUB, OFD, HTML/MHTML, CSV/TSVMarkdown, HTML, LaTeX, DOCX eta gehiago; auto-hostitua, online API, edo demoak Hugging Face eta ModelScopetan
DoclingIturburu-kodea MIT lizentziapean, zure ordenagailuan exekutatzen da, erabilera-mugarik gabePDF, DOCX, PPTX, XLSX, HTML, EPUB, irudiak eta gehiagoMarkdown, HTML, DocTags, JSON galera gabekoa; tokian bertan exekutatzen da, OCR eskaneatutako dokumentuentzat
Marker (Datalab)Kode irekia (Apache 2.0); ostatatutako API hilean 20 dolarreko diru-laguntzarekin lan-posta elektroniko batekin, eta 10 dolarrekin pertsonal batekinPDF, irudiak, PPTX, DOCX, XLSX, HTML, EPUBMarkdown, JSON, HTML, zatiketak; ekuazioak LaTeX gisa, taulak HTML gisa
LlamaParse (LlamaIndex)Erabiltzaile berrientzat 10.000 kreditu doakoak hilean; oinarrizko analisia orrialde bakoitzeko kreditu 1etik aurreraIkusi gune ofizialaOnline API (LlamaCloud), kontua beharrezkoa da
MathpixDoakoa: 10 PDF orrialde eta 10 irudi hilean (2x .edu posta elektroniko batekin); Pro $4,99/hileko 1.000 orrialderentzatPDF, irudiakAplikazioa eta API; formula aldetik sendoa
Azure AI Document IntelligenceDoako maila F0: 500 orrialde hilean, baina analisi bakoitzak lehen 2 orrialdeak eta gehienez 4 MB-ko fitxategiak baino ez ditu estaltzenPDF, JPEG/PNG/BMP/TIFF/HEIF irudiak, DOCX, PPTX, XLSCloud API, Azure kontua behar da; diseinu-ereduak paragrafoak, taulak eta egitura itzultzen ditu

Tresna bakoitzak: nori komeni zaion eta zer begiratu

OmniDoc doako dokumentuak ateratzeko gure tresna

Izenburuek, paragrafoek eta zerrendek jatorrizko hierarkia mantentzen dute; bi edo hiru zutabe irakurtzeko ordenan elkartzen dira. Taulak Markdown taula gisa ateratzen dira eta JSONean errenkada eta zutabetzat. Irudiak images/ karpetan gordetzen dira beren posizioak markatuta. Eskaneatutako dokumentuak testuaren ezagutzaren bidez (OCR) prozesatzen dira eta, ondoren, haien diseinuaren arabera antolatzen dira. Zuk bakarrik ikus ditzakezu igotzen dituzun fitxategiak eta haien emaitzak.

Ona da: Markdown eta JSON ezer ezarri edo kodea idatzi gabe; ezagutza-base bat edo RAG prestatzeko dokumentuak.

MinerU

MinerU Open Source Lizentziapean lizentziatuta ( Apache 2.0 oinarri hartuta baldintza osagarriekin). Precision Extract API token bat behar du eta 200 MB arteko eta 600 orrialde arteko fitxategiak onartzen ditu; Agent Lightweight API ez du saio-hasierarik behar eta 10 MB arteko eta 20 orrialde arteko fitxategiak onartzen ditu, IP bakoitzeko tasa mugatuarekin.

Ona da: GPU duten garatzaileak, auto-hostitzea nahi dutenak edo dokumentu txinatarrak API bidez lotean prozesatu nahi dituztenak.

Iturburua: MinerU — GitHub README, MinerU — API documentation (limits)

Docling

Its README lists page layout, reading order and table structure, OCR for scanned PDFs and images, and local execution for sensitive data and air-gapped environments. Model weights carry their own licences, to be checked separately.

Ona da: offline edo beren sarean bertan egon behar duten eta Python erabiltzeaz eroso dauden taldeak.

Iturburua: Docling — GitHub README

Marker (Datalab)

Ereduaren pisuek OpenRAIL-M lizentzia aldatua erabiltzen dute, doakoa ikerketarako, erabilera pertsonalerako eta 5M $-tik beherako finantzaketarekin edo diru-sarrerarekin dituzten startupentzat; horren gaineko erabilera komertziala ordainpekoa da. Ostalari den API 1.000 orrialdeko prezioan tarifikatzen da: $1 azkarra, $3 orekatua, $7.50 zehatza; txartela beharrezkoa da doako kuota agortu ondoren soilik.

Ona da: LaTeX ekuazioak eta HTML taulak nahi dituzten garatzaileak, pisuen lizentziarekin lan egin dezaketenak.

Iturburua: Marker — GitHub README, Datalab — Pricing

LlamaParse (LlamaIndex)

LlamaIndexren prezioen orrialdeak hilean 10.000 kreditu doako dituen $0-ko ordainketa-plan bat zerrendatzen du; analisi-maila bakoitzak orrialde bakoitzeko kreditu-kopuru desberdina erabiltzen du, oinarrizko analisian bezala 1etik hasita. Eroso sartzen da LlamaIndex RAG pilarean.

Ona da: LlamaIndex erabiliz RAG eraikitzen ari diren garatzaileak.

Iturburua: LlamaIndex — Pricing

Mathpix

Mathpixren prezio zerrendak 10 PDF orrialde eta 10 irudi hilean eskaintzen ditu doako planaren barruan, .edu posta elektroniko batekin bikoiztuta; Pro da $4,99 hileko 1.000 PDF orrialderentzat eta 5.000 irudirentzat. Formula ezagutza da bere indargunea; doako kuota txikia da.

Ona da: noizean behin formulazko orrialde bat edo matematika-arazo baten argazkia.

Iturburua: Mathpix — Snip pricing

Azure AI Document Intelligence

Microsoftren dokumentazioak dio doako mailak eskaera baten lehen bi orrialdeak bakarrik aztertzen dituela, 4 MB arteko fitxategiekin eta segundoko eskaera bat; prezioen orrialdeak hilean 0–500 doako orrialde aipatzen ditu. Azure garatu aurretik probak egiteko aproposa da.

Ona da: Azuren dagoeneko eraikitzen ari diren eta enpresa-mailako API behar duten taldeak.

Iturburua: Microsoft Learn — Document Intelligence quotas and limits, Azure — Document Intelligence pricing

Zein egokia den zein zereginetarako

Zure egoeraZer saiatu lehenik
Kodea idatzi gabe ehunka PDF edo orrialde eskaneatu Markdown eta JSON bihurtzeaOmniDoc ( PDF bakoitzeko 501 orrialde arte, nabigatzailean)
Datuak zure zerbitzari propioetan egon behar duteDocling edo MinerU, auto-hostitua
Eguneroko loteetan dokumentu txinatarrakMinerU online API (2.000 orrialde lehentasun gorenean egunean), edo OmniDoc
Artikuluetako ekuazioak LaTeX gisaMarker, edo Mathpix (doako kuota txikia)
LlamaIndex erabiliz RAG eraikitzen ari diren garatzaileak dagoenekoLlamaParse
Azuren dagoeneko eraikitzen ari diren garatzaileakAzure Document Intelligence (doako mailak eskaera bakoitzeko 2 orrialde irakurtzen ditu)
Word, PowerPoint, Excel, EPUB edo HTML Markdown arteanOmniDoc, MinerU edo Docling

Galderak

Badago doako PDF -tik Markdown bihurgailua 2026an?

Bai. MinerU, Docling eta Marker iturburu irekikoak dira eta norberak ostatatu daitezke; OmniDoc doako dokumentu-ateratzea nabigatzailean exekutatzen da hileroko mugarik gabe eta PDF bakoitzeko 501 orrialde arte, eta bere ZIP fitxategian document.md eta document.json ditu; MinerUen onlineko API kontu bakoitzeko egunean lehentasun goreneko 2.000 orrialde ematen ditu. Ofizialen orrietako datuak, 2026ko azaroan egiaztatuak.

Zertan desberdintzen da erauzketa egituratua PDF testuan bihurtzearengandik?

PDF testuan bihurtzeak testu arruntaren segida ematen dizu. Erauzketa egituratuak izenburuen mailak, paragrafoak, taulak errenkada eta zutabete gisa gordetzen ditu, baita irudien posizioak eta irakurketa-hurrenkera ere, Markdown eta JSON bezala, programak eta AI tresnek zuzenean erabil ditzaketena.

Ezin dut auto-hostitu. Zein aukera ditut?

Erabili onlineko tresna bat: OmniDoc doako dokumentu-ateratzeak nabigatzailean karga egiten du; MinerU, Datalab, LlamaParse eta Azure onlineko APIak eskaintzen dituzte, kontua, tokena eta kode pixka bat behar dutenak.

Tresna hauek PDF eskaneatuak eta taulak kudea ditzakete?

Bai. OmniDoc, Docling eta MinerU eskaneatutako testua eta taulen egitura ezagutzen dituzte. OmniDoc taulak Markdown taula gisa eta JSON errenkada eta zutabete gisa idazten ditu; begiratu oso taula konplexuak jatorrizkoarekin alderatuta.

Nork idatzi du konparaketa hau?

OmniDoc taldea; OmniDoc gure produktua da. Beste tresna bati buruzko datu guztiek haren orrialde ofizialera edo biltegira egiten dute lotura, eta orrialde horrek irabazten du zerbait aldatu bada.

Iturburuak (2026ko azaroaren 14an egiaztatuak)

  1. MinerU — GitHub READMEhttps://github.com/opendatalab/MinerU
  2. MinerU — API documentation (limits)https://mineru.net/doc/docs/index_en/
  3. Docling — GitHub READMEhttps://github.com/docling-project/docling
  4. Marker — GitHub READMEhttps://github.com/datalab-to/marker
  5. Datalab — Pricinghttps://www.datalab.to/pricing
  6. LlamaIndex — Pricinghttps://www.llamaindex.ai/pricing
  7. Mathpix — Snip pricinghttps://mathpix.com/pricing/snip
  8. Microsoft Learn — Document Intelligence quotas and limitshttps://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/service-limits
  9. Azure — Document Intelligence pricinghttps://azure.microsoft.com/en-us/pricing/details/ai-document-intelligence/