OmniDoc Asiakirjojen poiminta

OmniDoc Asiakirjojen poiminta / Vuoden 2026 vertailu

Maksuttomien asiakirjanpoimintatyökalujen vertailu vuodelle 2026: PDF vs. Markdown ja JSON

PDF-tiedostojen, skannattujen dokumenttien ja Office-tiedostojen muuttaminen Markdownksi ja JSONksi otsikkoineen, taulukoineen ja kuvineen voi merkitä joko avoimen lähdekoodin mallin itse isännöintiä tai sivulla perustuvan API-palvelun käyttämistä. Tämä sivu asettaa seitsemän yleisen työkalun maksuttomat rajat, syötöt, tulokset ja asennuksen rinnakkain, jokaisen luvun virallisen lähteen kanssa.

Tämän vertailun on laatinut OmniDoc-tiimi, ja OmniDoc on oma tuotteemme. Jokainen toisen työkalun luku perustuu sen viralliselle sivustolle tai tallennuspaikalle, jotka tarkistettiin 14. marraskuuta 2026; jos jokin poikkeaa, niiden omat sivut ovat voimassa.

Poimi tiedosto maksutta OmniDoclla

Yhdellä silmäyksellä: maksuton määräraha, syötteet, tulosteet

TyökaluMaksuton määrärahaSyötteetTuloste / asennus
OmniDoc maksuton asiakirjanpoiminta meidän työkalummeJopa 501 sivua per PDF, ei kuukausittaisrajoitusta; maksuttomassa suunnitelmassa olevat tehtävät odottavat jonossa; tarvitaan maksuton OmniDoc-tiliPDF, skannatut PDF, PNG/JPG/WEBP/BMP-kuvat, Word, PowerPoint, Excel, CSV, EPUB, HTML, Markdown, TXT, SRT/ASSVerkkosivu, ei tarvitse asentaa mitään; ZIP-tiedosto sisältää document.md-, document.json-, images/- ja manifest.json-tiedostot
MinerUAvoin lähdekoodi, itse isännöitävä; online API: 2 000 sivua päivässä tilauskohtaisesti korkeimmalla prioriteetilla, sen jälkeen alempi prioriteettiPDF, kuvat, DOC/DOCX, PPT/PPTX, XLS/XLSX, RTF, ODT/ODS/ODP, EPUB, OFD, HTML/MHTML, CSV/TSVMarkdown, HTML, LaTeX, DOCX ja muut; itse isännöitävä, online API tai demoja Hugging Face ja ModelScope
DoclingAvoin lähdekoodi (koodi MIT:n alla), toimii omalla tietokoneellasi, ei käyttörajoituksiaPDF, DOCX, PPTX, XLSX, HTML, EPUB, kuvat ja paljon muutaMarkdown, HTML, DocTags, häviötön JSON; toimii paikallisesti, OCR skannauksille
Marker (Datalab)Koodi avoimen lähdekoodin (Apache 2.0); isännöity API 20 dollarin kuukausiallarajoituksella työpuhelinosoitteella, 10 dollarilla henkilökohtaisellaPDF, kuvat, PPTX, DOCX, XLSX, HTML, EPUBMarkdown, JSON, HTML, palaset; yhtälöt LaTeX-muodossa, taulukot HTML-muodossa
LlamaParse (LlamaIndex)10 000 maksutonta luottoa kuukaudessa uusille käyttäjille; perusparsing 1 luotto sivua kohtiKatso virallinen sivustoOnline API (LlamaCloud), tilitarve
MathpixIlmainen: 10 PDF -sivua ja 10 kuvaa kuukaudessa (2x .edu -sähköpostilla); Pro 4,99 $/kk 1 000 sivuaPDF, kuvatSovellus ja API; vahva kaavojen suhteen
Azure AI Document IntelligenceIlmainen tasohinta F0: 500 sivua kuukaudessa, mutta jokainen analyysi kattaa vain ensimmäiset 2 sivua ja tiedostot ovat enintään 4 MBPDF, JPEG/PNG/BMP/TIFF/HEIF-kuvat, DOCX, PPTX, XLSPilvi API, Azure -tili tarvitaan; ulkoasumalli palauttaa kappaleita, taulukoita ja rakennetta

Työkalu työkalulta: kenelle se sopii ja mitä kannattaa tarkkailla

OmniDoc maksuton asiakirjanpoiminta meidän työkalumme

Otsikot, kappaleet ja luettelot säilyttävät alkuperäisen hierarkian; kaksi tai kolme saraketta yhdistetään lukujärjestyksen mukaisesti. Taulukot muutetaan Markdown-taulukoiksi ja riveiksi sekä sarakkeiksi JSON-muodossa; kuvat tallennetaan kansioon images/ ja niiden paikat merkitään. Skannaukset käyvät läpi tekstintunnistuksen (OCR) ja järjestetään sen jälkeen ulkoasun mukaan. Vain sinä näet lataamasi tiedostot ja niiden tulokset.

Hyvä: Markdown ja JSON ilman mitään asennuksia tai koodin kirjoittamista; asiakirjojen valmistelu tietopankkiin tai RAG.

MinerU

Lisensoitu MinerU -avoin lähdekoodilisenssillä (perustuu Apache 2.0:een lisäehtoineen). Precision Extract API tarvitsee tunnuksen ja käsittelee tiedostoja, joiden koko on enintään 200 MB ja sivumäärä enintään 600; Agent Lightweight API ei vaadi kirjautumista ja käsittelee tiedostoja, joiden koko on enintään 10 MB ja sivumäärä enintään 20, nopeusrajoitettuna IP-osoitteittain.

Hyvä: kehittäjät, joilla on GPU ja jotka haluavat isännöidä itse tai jotka käsittelevät kiinalaisia asiakirjoja erissä API.

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

Docling

Sen README luettelee sivupohjan, lukujärjestyksen ja taulukkorakenteen, OCR skannatuille PDF-tiedostoille ja kuville sekä paikallisen suorituksen arkaluontoisille tiedoille ja ilmanverkkoympäristöille. Mallipainot sisältävät omat lisenssinsä, jotka on tarkistettava erikseen.

Hyvä: tiimit, joiden on pysyttävä offline-tilassa tai omassa verkossaan ja jotka ovat tyytyväisiä Python.

Lähde: Docling — GitHub README

Marker (Datalab)

Mallin painokertoimet käyttävät muokattua OpenRAIL-M-lisenssiä, joka on maksuton tutkimukseen, henkilökohtaiseen käyttöön ja alle 5 miljoonan dollarin rahoituksen tai liikevaihdon omaaville startup-yrityksille; kaupallinen käyttö yli tämän rajan on maksullista. Isännöity API hinnoitellaan per 1 000 sivua: 1 dollari nopea, 3 dollaria tasapainoinen, 7,50 dollaria tarkka; kortti tarvitaan vasta maksuttoman alarajan jälkeen.

Hyvä: kehittäjät, jotka haluavat LaTeX-yhtälöitä ja HTML-taulukoita ja voivat käsitellä painokertoimien lisenssiä.

Lähde: Marker — GitHub README, Datalab — Pricing

LlamaParse (LlamaIndex)

LlamaIndex -palvelun hinnoittelusivulla on mainittu 0 dollarin käyttökohtainen suunnitelma, joka sisältää 10 000 maksutonta luottoa kuukaudessa; jokainen analysointitaso käyttää eri määrää luottoja sivua kohti, perusanalyysissä yksi luotto. Se sopii sulavasti LlamaIndex RAG -pinoon.

Hyvä: kehittäjät, jotka rakentavat jo RAGia LlamaIndexin avulla.

Lähde: LlamaIndex — Pricing

Mathpix

Mathpix:n hinnoittelussa on 10 PDF -sivua ja 10 kuvaa kuukaudessa ilmaisella suunnitelmalla, joka tuplaantuu .edu -sähköpostilla; Pro maksaa 4,99 $/kk 1 000 PDF -sivua ja 5 000 kuvaa varten. Kaavojen tunnistus on sen vahvuus; ilmaisen version käyttörajoitus on pieni.

Hyvä: satunnainen kaavasivu tai matematiikkatehtävän valokuva.

Lähde: Mathpix — Snip pricing

Azure AI Document Intelligence

Microsoft:n dokumentaatio sanoo, että ilmainen tasohinta analysoi vain pyynnön kaksi ensimmäistä sivua, tiedostot ovat enintään 4 MB ja yksi pyyntö sekunnissa; hinnoittelusivulla luetellaan 0–500 ilmaista sivua kuukaudessa. Se sopii hyvin asioiden kokeilemiseen ennen Azure:n rakentamista.

Hyvä: tiimit, jotka rakentavat jo Azureia ja tarvitsevat yrityskäyttöön tarkoitettua API.

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

Mikä sopii millekin tehtävälle

TilanteesiMitä kannattaa kokeilla ensin
Muuntaa satoja PDF tai skannattuja sivuja Markdownksi ja JSONksi koodia kirjoittamattaOmniDoc (enintään 501 sivua per PDF, selaimessa)
Tietojen on pysyttävä omilla palvelimillasiDocling tai MinerU, itse isännöitävä
Kiinalaiset asiakirjat päivittäisissä erissäMinerU online API (2 000 korkeimman prioriteetin sivua päivässä), tai OmniDoc
Yhtälöt artikkeleista LaTeX-muodossaMarker, tai Mathpix (pieni maksuton käyttöraja)
Rakentavat jo RAGia LlamaIndexin avulla.LlamaParse
Rakentavat jo AzureiaAzure Document Intelligence (ilmaisen tasohinnan mukaan luetellaan 2 sivua per pyyntö)
Word, PowerPoint, Excel, EPUB tai HTML Markdown:lleOmniDoc, MinerU tai Docling

Kysymykset

Onko vuonna 2026 olemassa maksuton PDF → Markdown-muunnin?

Kyllä. MinerU, Docling ja Marker ovat avoimen lähdekoodin sovelluksia, joita voi isännöidä itse; OmniDoc-ilmainen asiakirjojen poiminta suoritetaan selaimessa ilman kuukausittaista rajaa ja enintään 501 sivua per PDF, ja sen ZIP-tiedosto sisältää document.md- ja document.json-tiedostot; MinerU:n online-API tarjoaa jokaiselle tilille 2 000 ensisijaisen sivua päivässä. Luvut virallisilta sivuilta, tarkistettu marraskuussa 2026.

Miten jäsennelty poiminta eroaa PDF → teksti -muunnoksesta?

PDF → teksti antaa sinulle yhtenäisen tavallisen tekstin. Jäsennelty poiminta säilyttää otsikkotasot, kappaleet, taulukot rivinä ja sarakkeina, kuvien paikat ja lukujärjestyksen, kuten Markdown ja JSON, joita ohjelmat ja tekoälytyökalut voivat käyttää suoraan.

En voi isännöidä itse. Mitkä ovat vaihtoehtoni?

Käytä verkkotyökalua: OmniDoc-ilmainen asiakirjojen poiminta suoritetaan selaimessa; MinerU, Datalab, LlamaParse ja Azure tarjoavat online-API:t, jotka vaativat tilin, tunnuksen ja koodia.

Voivatko nämä työkalut käsitellä skannattuja PDF-tiedostoja ja taulukoita?

Kyllä. OmniDoc, Docling ja MinerU tunnistavat tekstin skannauksista ja taulukoiden rakenteen. OmniDoc kirjoittaa taulukot Markdown-taulukkoina sekä riveinä ja sarakkeina JSON-muodossa; tarkista erittäin monimutkaiset taulukot alkuperäisen kanssa.

Kuka kirjoitti tämän vertailun?

OmniDoc-tiimi; OmniDoc on oma tuotteemme. Jokainen luku toisesta työkalusta linkittää sen viralliseen sivustoon tai tallennuspaikkaan, ja kyseinen sivusto voittaa, jos jotain on muuttunut.

Lähteet (tarkistettu 14. marraskuuta 2026)

  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/