PDF 直接丢给大模型，表格乱码、公式崩溃、扫描件还认不出字。 这 5 个工具帮你把文档转成 AI 能读的干净格式。 1、Stirling-PDF — 本地 PDF 全能工具箱，85k star 合并、拆分、压缩、加水印、转格式，几十种操作全在本地跑，文件不出本机，隐私敏感的文档放心用。 2、MinerU — 复杂文档转 Markdown，71.7k star PDF、Office 里的表格、公式、图片精准抠出来转成 AI 可读的 Markdown，喂给大模型做问答前必备的一步。 3、docling — 文档为生成式 AI 做准备，62.3k star IBM 出品，把各种格式文档统一转成结构化输出，接 RAG 流程很顺，企业文档处理的热门选择。 4、marker — PDF 高精度转 Markdown，36.6k star 速度快、还原准，长文档、论文转 Markdown 加 JSON，排版和结构保留得好。 5、OCRmyPDF — 给扫描件加文字层，34k star 扫描的 PDF 没法选字搜字，它自动 OCR 加上文字层，扫描件秒变可搜索可复制。

PDF 工具别急着付费。 这个开源项目普通人真的很容易用上： Stirling PDF 它能做很多高频 PDF 操作： 合并。 拆分。 压缩。 转换。 加水印。 图片转 PDF。 PDF 转图片。 OCR。 很多人平时不是不会处理 PDF。 是每次遇到都要临时找网站。 然后又担心文件上传到不靠谱的平台。 Stirling PDF 的价值就在这里： 你可以自己部署一个 PDF 工具箱。 常见需求基本都能在里面解决。 它目前 GitHub 7.8 万+ Star，算是开源 PDF 工具里非常能打的项目。 适合学生、办公党、自由职业者、小团队。 尤其适合经常处理合同、报告、发票、扫描件的人。 GitHub：

用 PDF 编辑器改个批注加个签名，动不动就要订阅，免费版功能又砍了一半。 于是找到 Open PDF Studio 这款开源的 PDF 编辑器，批注、标注、签名、页面管理等功能都有。 并且支持并排对比两版 PDF 差异，改动自动标出来，审图改稿方便。 GitHub： 原生应用，体积不大，提供 Windows、macOS、Linux、Android 平台安装包。 经常要处理 PDF 批注和审批的朋友可以试试，省得年年续费商业工具。

把 PDF、Office 文件、扫描件、截图、图表、公式和流程图转成 AI 可检索、可引用、可推理的 Markdown 模型用你自己配的 OpenAI 兼容端点（本地或私有部署均可），不用单独搭 OCR、版面、表格、公式一整套模型栈。

将 PDF 转成文本，遇到扫描件、多栏排版、复杂表格和公式，传统 OCR 经常识别错乱。 olmOCR，一款基于视觉语言模型的 PDF 转 Markdown 工具，已斩获了 17900+ Star！ 能处理公式、表格、手写体和复杂版式，还会自动去掉页眉页脚。 并且按自然阅读顺序输出，哪怕多栏排版也不会读串行。 GitHub： 单 GPU 本地跑之外也支持接入远程推理服务，处理成本能压到每百万页不到 200 美元。 需要批量处理 PDF、扫描件转成可编辑文本的朋友，尤其是做数据处理或者知识库搭建的，这个工具可以试试。

读 PDF、记笔记、找资料，这三件事很多人一直在瞎折腾。 论文放一个软件，网页收藏放一个软件，笔记又放另一个软件。 最后结果就是：资料越存越多，真正用的时候一个都找不到。 note.md 这个工具我觉得很适合 Mac 用户试试。 它把阅读、Markdown 笔记、引用、资料管理放到了一起。 你可以一边看 PDF，一边做笔记；看到有用的内容，直接整理成引用；后面忘了写在哪，还能靠搜索把相关内容翻出来。 以前你以为自己缺的是更多收藏夹，其实你缺的是一个能把资料重新找回来的地方。 收藏不是本事，用得上才是本事。 🔗

以往处理复杂 PDF 格式，多栏混排、手写字、数学公式一转乱成一锅粥。GPT-4o 确实能看懂，但转 100 万页能直接吞掉你 6000 多美金，谁用谁肉疼。 知名 AI 机构 Allen AI 搞的 olmOCR，用开源 7B 视觉语言大模型（VLM）专门用来“洗 PDF”。管你是什么刁钻多栏、页眉页脚干扰、手写混排还是复杂公式，统统给你拉成极度干净的 Markdown，而且天然保持正确的阅读顺序！ 排版魔术手：多栏报纸、论文混排自动识别逻辑顺序，绝不串行 公式手写全包：数学 LaTeX 公式、表格、甚至手写笔记全自动提取 噪音自动洗掉：重复的页眉、页脚、无用插图自动清空，只留干货 批量吞吐极快：原生支持 vLLM 加速与多卡集群，百万级文档直接跑批 这玩意搞 LLM 预训练数据清洗、大模型 RAG 知识库构建，简直就是开挂。 项目链接： 在线 Demo：

给大模型喂 PDF 文档，常见做法是先跑 OCR 再提文字，但实际上有一半多的 PDF 本来就是文字版，根本不需要 OCR。 Firecrawl 团队最近开源的 pdf-inspector，能自动判断 PDF 是文字版还是扫描版，文字版的直接提取并转成 Markdown。 最快 200 毫秒内提取完成，支持表格检测、多栏排版识别、标题层级还原，输出的 Markdown 结构干净。 GitHub： 提供 Python、Node.js、Rust 和浏览器端四套接口，浏览器里通过 WebAssembly 直接跑，不用后端服务。 做文档处理相关开发的朋友，拿来做 PDF 前置分类和提取挺合适的。