Penggelepan dokumen OmniDoc

Penggelepan dokumen OmniDoc / Perbandingan 2026

Perbandingan alat pengekstrakan dokumen percuma untuk 2026: PDF hingga Markdown dan JSON

Menukar PDF, imbasan dan fail Office kepada Markdown dan JSON dengan tajuk, jadual dan imej boleh bermaksud menyediakan pelayan sendiri untuk model sumber terbuka atau menggunakan API yang dikenakan bayaran mengikut halaman. Halaman ini membandingkan elaun percuma, input, output dan tetapan tujuh alat biasa secara bersebelahan, dengan sumber rasmi bagi setiap angka.

Perbandingan ini ditulis oleh pasukan OmniDoc, dan OmniDoc ialah produk kami sendiri. Setiap angka mengenai alat lain diperoleh daripada halaman rasminya atau repositori, disemak pada 14 November 2026; halaman mereka akan menjadi rujukan sekiranya terdapat sebarang perubahan.

Ekstrak fail secara percuma dengan OmniDoc

Sekilas pandang: elaun percuma, input, output

AlatElaun percumaInputOutput / tetapan
Ekstrak dokumen percuma OmniDoc alat kamiSehingga 501 halaman setiap PDF, tiada had bulanan; tugas pada pelan percuma menunggu dalam antrian; akaun OmniDoc percuma diperlukanPDF, imej PDF yang dipindai, PNG/JPG/WEBP/BMP, Word, PowerPoint, Excel, CSV, EPUB, HTML, Markdown, TXT, SRT/ASSHalaman web, tiada apa-apa yang perlu dipasang; sebuah ZIP dengan document.md, document.json, images/ dan manifest.json
MinerUSumber terbuka, dihoskan sendiri; API dalam talian: 2,000 halaman sehari setiap akaun dengan keutamaan tertinggi, keutamaan lebih rendah selepas ituPDF, imej, DOC/DOCX, PPT/PPTX, XLS/XLSX, RTF, ODT/ODS/ODP, EPUB, OFD, HTML/MHTML, CSV/TSVMarkdown, HTML, LaTeX, DOCX dan banyak lagi; dihoskan sendiri, dalam talian API, atau demo pada Hugging Face dan ModelScope
DoclingSumber terbuka (kod di bawah MIT), berjalan pada komputer anda sendiri, tiada had penggunaanPDF, DOCX, PPTX, XLSX, HTML, EPUB, imej dan banyak lagiMarkdown, HTML, DocTags, JSON tanpa kehilangan data; berjalan secara setempat, OCR untuk imbasan
Marker (Datalab)Kod sumber terbuka (Apache 2.0); dihoskan API elaun sebanyak $20 sebulan dengan e-mel kerja, $10 dengan e-mel peribadiPDF, imej, PPTX, DOCX, XLSX, HTML, EPUBMarkdown, JSON, HTML, bahagian; persamaan sebagai LaTeX, jadual sebagai HTML
LlamaParse (LlamaIndex)10,000 kredit percuma sebulan untuk pengguna baharu; penganalisis asas dari 1 kredit setiap halamanLihat laman web rasmiAPI (LlamaCloud) dalam talian, akaun diperlukan
MathpixTanpa bayaran: 10 halaman PDF dan 10 imej sebulan (2x dengan e-mel .edu); Pro $4.99/bulan untuk 1,000 halamanPDF, imejAplikasi dan API; kuat dalam formula
Azure AI Document IntelligenceTahap tanpa bayaran F0: 500 halaman sebulan, tetapi setiap analisis hanya merangkumi 2 halaman pertama dan fail sehingga 4 MBPDF, imej JPEG/PNG/BMP/TIFF/HEIF, DOCX, PPTX, XLSCloud API, akaun Azure diperlukan; model susun atur mengembalikan perenggan, jadual dan struktur

Alat demi alat: kepada siapa ia sesuai dan apa yang perlu diperhatikan

Ekstrak dokumen percuma OmniDoc alat kami

Tajuk, perenggan dan senarai mengekalkan hierarki asal; dua atau tiga lajur digabungkan mengikut urutan bacaan. Jadual diterjemahkan sebagai jadual Markdown dan sebagai baris serta lajur dalam JSON; gambar disimpan dalam images/ dengan kedudukan mereka ditandakan. Imej yang dipindai melalui pengiktirafan teks (OCR) dan kemudiannya disusun mengikut susun atur mereka. Hanya anda sahaja yang boleh melihat fail yang dimuat naik serta hasilnya.

Sesuai untuk: Markdown dan JSON tanpa perlu menyediakan apa-apa atau menulis kod; menyediakan dokumen untuk pangkalan pengetahuan atau RAG.

MinerU

Dilesenkan di bawah Lesen Sumber Terbuka MinerU (berasaskan Apache 2.0 dengan syarat tambahan). Precision Extract API memerlukan token dan menerima fail sehingga 200 MB dan 600 halaman; Agent Lightweight API tidak memerlukan log masuk dan menerima fail sehingga 10 MB dan 20 halaman, dengan had kadar per IP.

Sesuai untuk: pembangun dengan GPU yang ingin menghoskan sendiri, atau yang memproses dokumen Cina secara kumpulan melalui API.

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

Docling

READMEnya menyenaraikan susun atur halaman, urutan bacaan dan struktur jadual, OCR untuk PDF dan imej yang diimbas, serta pelaksanaan setempat untuk data sensitif dan persekitaran tanpa sambungan rangkaian. Berat model mempunyai lesen tersendiri, yang perlu disemak secara berasingan.

Sesuai untuk: pasukan yang mesti kekal dalam talian luar atau di dalam rangkaian mereka sendiri dan selesa dengan Python.

Sumber: Docling — GitHub README

Marker (Datalab)

Berat model menggunakan lesen OpenRAIL-M yang diubah suai, percuma untuk penyelidikan, kegunaan peribadi dan syarikat pemula dengan dana atau hasil tahunan kurang daripada $5 juta; penggunaan komersial selepas itu adalah berbayar. API yang dihoskan ditetapkan harganya bagi setiap 1,000 halaman: $1 pantas, $3 seimbang, $7.50 tepat; kad hanya diperlukan selepas had percuma.

Sesuai untuk: pembangun yang mahukan persamaan LaTeX dan jadual HTML serta boleh menggunakan lesen berat.

Sumber: Marker — GitHub README, Datalab — Pricing

LlamaParse (LlamaIndex)

Halaman harga LlamaIndex senaraikan pelan bayar mengikut guna $0 dengan 10K kredit percuma sebulan; setiap tahap penganalisis menggunakan bilangan kredit yang berbeza bagi setiap halaman, daripada 1 untuk penganalisis asas. Ia padan dengan baik dalam tumpukan LlamaIndex RAG.

Sesuai untuk: pembangun yang sudah membina RAG dengan LlamaIndex.

Sumber: LlamaIndex — Pricing

Mathpix

Senarai harga Mathpix menawarkan 10 halaman PDF dan 10 imej sebulan dalam pelan tanpa bayaran, digandakan dengan e-mel .edu; Pro berharga $4.99 sebulan untuk 1,000 halaman PDF dan 5,000 imej. Pengenalan formula merupakan kekuatannya; elaun tanpa bayaran adalah kecil.

Sesuai untuk: sesekali halaman berisi formula atau foto satu soalan matematik.

Sumber: Mathpix — Snip pricing

Azure AI Document Intelligence

Dokumentasi Microsoft menyatakan bahawa tahap tanpa bayaran hanya menganalisis dua halaman pertama dalam setiap permintaan, dengan saiz fail sehingga 4 MB dan satu permintaan setiap saat; halaman harga pula menunjukkan antara 0 hingga 500 halaman tanpa bayaran sebulan. Ia sesuai untuk mencuba terlebih dahulu sebelum membangunkan Azure.

Sesuai untuk: pasukan yang sudah membina Azure dan memerlukan API perusahaan.

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

Yang mana satu untuk tugas yang mana

Situasi andaApa yang perlu dicuba terlebih dahulu
Mengubah ratusan PDF atau halaman yang dipindai kepada Markdown dan JSON tanpa menulis kodOmniDoc (sehingga 501 halaman per PDF, dalam pelayar)
Data mestilah kekal pada pelayan anda sendiriDocling atau MinerU, dihoskan sendiri
Dokumen Cina dalam kumpulan harianMinerU dalam talian API (2,000 halaman keutamaan tertinggi sehari), atau OmniDoc
Persamaan daripada makalah sebagai LaTeXMarker, atau Mathpix (elaun percuma yang kecil)
Sudah membina RAG dengan LlamaIndexLlamaParse
Sudah membina pada AzureAzure Document Intelligence (tahap tanpa bayaran membaca 2 halaman bagi setiap permintaan)
Word, PowerPoint, Excel, EPUB atau HTML kepada MarkdownOmniDoc, MinerU atau Docling

Soalan

Adakah terdapat penukar PDF kepada Markdown secara percuma pada tahun 2026?

Ya. MinerU, Docling dan Marker adalah sumber terbuka dan boleh dihoskan sendiri; pengekstrakan dokumen percuma OmniDoc berjalan dalam pelayar tanpa had bulanan dan sehingga 501 halaman bagi setiap PDF, serta ZIPnya mengandungi document.md dan document.json; MinerU’s online API memberikan 2,000 halaman keutamaan tertinggi sehari bagi setiap akaun. Angka daripada laman rasmi, disemak November 2026.

Apakah perbezaan pengekstrakan terstruktur dengan PDF kepada teks?

PDF kepada teks memberikan anda rentetan teks biasa. Pengekstrakan terstruktur mengekalkan tahap tajuk, perenggan, jadual sebagai baris dan lajur, kedudukan imej serta susunan bacaan, seperti Markdown dan JSON yang boleh digunakan secara langsung oleh program dan alat AI.

Saya tidak dapat menghoskan sendiri. Apakah pilihan saya?

Gunakan alat dalam talian: pengekstrakan dokumen percuma OmniDoc memerlukan muat naik dalam pelayar; MinerU, Datalab, LlamaParse dan Azure menawarkan API dalam talian, yang memerlukan akaun, token dan sedikit kod.

Bolehkah alat-alat ini mengendalikan PDF yang diimbas dan jadual?

Ya. OmniDoc, Docling dan MinerU mengenali teks dalam imbasan serta struktur jadual. OmniDoc menulis jadual sebagai jadual Markdown dan sebagai baris serta lajur dalam JSON; semak jadual yang sangat kompleks berbanding asalnya.

Siapakah yang menulis perbandingan ini?

Pasukan OmniDoc; OmniDoc ialah produk kami sendiri. Setiap angka mengenai alat lain pautan kepada halaman rasmi atau repositori mereka, dan halaman tersebut dianggap sah jika terdapat sebarang perubahan.

Sumber (disemak pada 14 November 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/