标签
PipesHub 的创始团队分享了他们优化 PDF 解析的工程实践：用基于 pdfplumber 的轻量解析路径替代部分 Docling 流程，将解析中位时间从 0.98 降至 0.48 秒/页，峰值内存从 2.91GB 降至 1.97GB，同时减少文本丢失。
Vik Paruchuri 阐述了 PDF 漏报或错报文字和字符位置的 5 种方式，指出了文档解析和 OCR 流程中的一项关键挑战。
papero-pdf-text-extractor 是一个轻量级 PDF 结构解析工具，无需 ML 模型即可在 CPU 上提取阅读顺序、表格、公式和边界框，支持导出 Markdown、JSON、Word 和 Excel，适用于 RAG、搜索和 LLM 场景。
Opus 5.5 在 ParseBench 上针对 PDF 表格解析的得分为 93.9%，超越了 Opus 5 和其他模型，但与 LlamaParse 相比成本较高。
Jerry Liu 的一条推文推广了一本漫画，解释了 PDF 解析的重要性，可能用于与数据处理工具相关的教育目的。
作者正在开发一个信用承保AI代理，并寻求开源本地部署方法，从多样化的印度银行对账单PDF中提取结构化交易表格，面临布局变化的挑战，需要可靠的提取方法。
一项基准测试比较了8款PDF解析器在14项能力上的表现，发现Chandra最准确，同时也指出了速度等方面的权衡；LightOnOCR-1B以小体积令人印象深刻，但在无法辨认的文本上会产生幻觉。
LiteParse 现在支持从 PDF 中提取结构化数据——表单字段、复选框状态、注释、图像、矢量图形和词级边界框——无需视觉模型，并提供复杂度信号，将更困难的页面路由到 LlamaParse 等工具。
一位开发者对三种PDF解析模型（MinerU、Granite-Docling、PaddleOCR-VL）在六种文档类型和十二项能力上进行了基准测试，发现MinerU会丢失页脚，除非重建其markdown，而Granite-Docling输出更干净的原生markdown表格。
作者解释了为什么客户的PDF银行对账单上所有金额都显示为负数：PDF在与背景相同的灰度级别中编码了不可见的尾随负号，提取代码将其当作可见文本读取。他们讨论了OCR或剥离非黑色文本等解决方案。
Vik Paruchuri 宣布，他的 PDF 解析工具 Marker 已发展为 Datalab 项目，拥有 72k GitHub 星标和每月 6M 次下载，并且他们正在招聘一位创始级开源工程师。
LiteParse是一个快速、轻量级、开源的PDF解析工具，使用Rust编写，原生支持图像到PDF的转换，并提供带有边界框的空间文本解析，可通过多种包（Rust、Node.js、Python、WASM）使用。
LlamaIndex 和 LanceDB 合作构建了一个管道，使用 LiteParse 进行 PDF 解析，并使用 LanceDB 进行多模态存储，从而能够从复杂的企业 PDF 中实现更好的检索，以支持自主工作流。
介绍了五个开源工具（MarkItDown、MinerU、Docling、marker、surya），用于将PDF、Office文档等转换为Markdown或JSON，以便直接供RAG或AI代理使用。
使用 LlamaIndex 的开源工具 LiteParse 和 Cursor AI 的帮助，构建了一个快速的 PDF 解析服务。
LiteParse 是一个快速、开源的文档解析器，在不使用 AI 模型的情况下，其在 Markdown 解析方面的表现优于一些前沿 VLM。它支持多种语言和平台，由 LlamaIndex 开发。
LlamaIndex改进了其用于Claude代理的LiteParse PDF解析技能，通过评估轨迹优化代理行为，使其成本降低37%，准确性更高。
LlamaIndex的博客文章描述了为Claude代理构建自定义LiteParse技能，通过分析代理轨迹来修复PDF解析中的低效问题，从而将每个问题的成本降低了37%，并提高了答案质量。
LiteParse 是一款快速的开源文档解析器，采用 Rust 编写，提供带边界框的高质量空间文本提取功能，支持多种语言和平台，适用于 AI 文档工作负载。
Parse-Flow 是 LlamaIndex 构建的一个开源可视化工作流设计器，它将四个文档处理原语——Parse（解析）、Classify（分类）、Split（分割）和 Extract（提取）——串联到一个由 LlamaAgents 工作流驱动的拖拽画布中，能够从非结构化企业文档（如PDF、合同和发票）中可靠地提取结构化数据。