怎么选 · 先看这 3 个
- · Office / PDF 转文本：MarkItDown 轻量，Docling 表格和版面更准
- · 整站抓取：Firecrawl、Crawl4AI
- · 扫描件：选带 OCR 的工具
65 / 65 个软件
MarkItDown v0.1.9 ★ 191k 微软开源工具，把办公文档转成 Markdown 供 LLM 使用。 开源 CLIPythonSDK firecrawl v2.11.502 ★ 194k 把网站转成 LLM 可用数据的爬取 API 开源 APISDK docling v2.137.0 ★ 69k IBM 发起的文档解析转换（PDF/Office→结构化） 开源 CLISDKMCP Umi-OCR ★ 48k 免费离线 OCR，支持截屏、批量图片和 PDF。 开源 WindowsmacOSLinux PDFMathTranslate ★ 38k 保留排版的 PDF 科学论文翻译。 开源 localWeb opendataloader-pdf v2.5.14 ★ 30k 面向 AI 的 PDF 解析器。 开源 CLISDK chandra ★ 13k 擅长复杂表格、表单、手写的 OCR 模型。 开源 model BabelDOC ★ 9.7k 文档翻译器。 开源 CLI unstract v0.195.0 ★ 7.3k LLM 驱动的非结构化数据抽取，适合 API 与 ETL。 开源 server Stirling-PDF v3.1.0 ★ 94k 自托管 PDF 工具箱 开源 API ragflow nightly ★ 93k 基于深度文档理解的 RAG 引擎 开源 API PaddleOCR v3.7.0 ★ 91k 百度多语种 OCR 与文档解析 开源 SDKCLI mermaid [email protected] ★ 91k 文本生成图表 开源 SDKCLI Scrapling v0.4.15 ★ 89k 自适应网页抓取库 开源 SDK crawl4ai v0.9.4 ★ 86k 面向 LLM 的开源爬虫 开源 SDKAPI MinerU mineru-4.0.11-released ★ 82k PDF 转 Markdown/JSON 高精度解析 开源 CLIAPI tesseract 5.5.3 ★ 77k 经典开源 OCR 引擎 开源 CLI scrapy 2.19.0 ★ 65k Python 爬虫框架 开源 SDKCLI typst v0.15.1 ★ 56k 现代排版系统 开源 CLI pandoc 3.12.1 ★ 47k 万能文档格式转换 开源 CLI marker v2.0.0 ★ 41k PDF 快速转 Markdown 开源 CLI LightRAG v1.5.7 ★ 40k 简单快速的图增强 RAG 开源 SDKAPI searxng v1.0.0 ★ 39k 可自托管的元搜索引擎（agent 搜索后端） 开源 API Vane v1.12.2 ★ 38k 开源 AI 搜索引擎 开源 API graphrag v3.3.0 ★ 36k 微软基于知识图谱的 RAG 开源 CLISDK OCRmyPDF v17.13.0 ★ 35k 给扫描 PDF 加文字层 开源 CLI Scrapegraph-ai v2.3.1 ★ 32k 用 LLM 驱动的抓取管线 开源 SDK EasyOCR v1.7.2 ★ 30k 80+ 语言 OCR 开源 SDK crawlee v3.18.2 ★ 26k Node/Python 网页爬取与浏览器自动化库 开源 SDK DeepSeek-OCR ★ 24k DeepSeek 光学压缩 OCR 模型 开源 Model postgres REL_18_6 ★ 22k PostgreSQL（官方镜像） 开源 SQL surya v0.22.1 ★ 22k 多语种 OCR 与版面分析 开源 CLI olmocr v0.4.27 ★ 20k 用 VLM 做 PDF 线性化 OCR 开源 CLI SurfSense v2.2.3 ★ 17k 开源 NotebookLM/Perplexity 替代 开源 API unstructured 0.27.33 ★ 16k 非结构化文档预处理 开源 SDKAPI plantuml v1.2026.8 ★ 13k 文本生成 UML 开源 CLI FlagEmbedding v1.4.2 ★ 12k BGE 嵌入/重排模型工具 开源 SDK reader ★ 12k 把 URL 转成 LLM 友好文本 开源 API readability 0.6.0 ★ 11k 网页正文提取（Firefox 阅读模式） 开源 SDK turndown v7.2.4 ★ 11k HTML 转 Markdown 开源 SDK PyMuPDF 1.28.2 ★ 11k 高性能 PDF 处理库 开源 SDK pdfplumber v0.11.10 ★ 11k PDF 文本与表格提取 开源 SDKCLI pypdf 6.20.0 ★ 10k 纯 Python PDF 库 开源 SDK WeasyPrint v70.0 ★ 9.7k HTML/CSS 转 PDF 开源 CLI xberg v1.3.7 ★ 9.4k 多格式文档文本抽取 开源 SDKCLIMCP dots.ocr ★ 9.2k 小红书多语种文档解析模型 开源 Model trafilatura v2.3.1 ★ 7.0k 网页正文与元数据抽取 开源 CLISDK doctr v1.1.0 ★ 6.4k 深度学习文档 OCR 开源 SDK quarto-cli v1.10.19 ★ 6.1k 科学技术文档发布 开源 CLI python-docx v1.2.0 ★ 5.7k 读写 Word 文档 开源 SDK qpdf v12.4.2 ★ 5.5k PDF 结构变换命令行 开源 CLI tika 4.1.0 ★ 4.1k 多格式内容检测与抽取 开源 APICLI marp-cli v4.5.1 ★ 3.8k Markdown 生成幻灯片 开源 CLI camelot v2.0.0 ★ 3.8k PDF 表格提取 开源 SDKCLI mupdf 1.28.5 ★ 3.0k 轻量 PDF 渲染引擎 开源 CLI poi REL_5_5_1 ★ 2.3k Java 读写 Office 文档 开源 SDK docling-serve v1.36.0 ★ 1.8k Docling 的 API 服务 开源 API Brave Search API 搜索 API 闭源 / 商业 Exa agent 搜索 API 闭源 / 商业 Indra OCR（Datalab 1M 参数 CPU OCR） Datalab（Marker / Surya 作者）发布的约 100 万参数 OCR 模型，只用 ONNX Runtime 在 CPU 上跑：把 PDF 和图片转成 Markdown、文本或带框 JSON，支持 80 多种语言、手写和任意角度页面，并给出版面块和阅读顺序。性能数字为厂商自述；模型 OpenRAIL-M，代码 Apache-2.0 开源 Pinecone 自称约 1 万客户 闭源 / 商业 Poppler Claude Code 读 PDF 需 pdftoppm 开放规范 Tavily agent 搜索 API 闭源 / 商业 Unlimited-OCR 百度开源文档 OCR / 长文档解析模型（约 3B）：单图与多页 PDF；支持 Transformers / vLLM / SGLang；HF 近月下载超百万 开源 yt-dlp 2026.08.19 ★ 195k 音视频下载命令行 开源 CLI
关于这页的数据
- 默认按“推荐”排序：编辑定稿的常用在前，其余按热度；通用开发软件和已归档项目排在后面。
- 数据核实于 2026-10-22，只链官方来源。 JSON API