GitHub：

安装：

pip install marker-pdf

使用：

marker_single /path/to/file.pdf --force_ocr --use_llm --llm_service=marker.services.ollama.OllamaService --ollama_model=qwen3-vl:8b-instruct

Marker 快速且准确地将文档转换为 markdown、JSON、块和 HTML。

转换所有语言的 PDF、图像、PPTX、DOCX、XLSX、HTML、EPUB 文件
格式化表格、表单、方程、行内数学公式、链接、引用和代码块
提取并保存图像
去除页眉/页脚/其他无关内容
可扩展的格式和逻辑
根据给定的 JSON 模式进行结构化提取（测试版）
可选择使用 LLMs（以及您自己的提示）来提高准确性
可在 GPU、CPU 或 MPS 上运行

对于我们的托管 API 或本地部署文档智能解决方案，请通过这里访问我们的平台了解更多信息。

性能

Marker 的基准测试结果优于云服务（如 Llamaparse 和 Mathpix）以及其他开源工具。

上述结果是依次运行单个 PDF 页面。当以批处理模式运行时，Marker 的速度明显更快，在 H100 上的预计吞吐量为每秒 25 页。

请参见下方详细信息，了解速度和准确性的详细基准测试，以及如何运行您自己的基准测试的说明。

混合模式

为了达到最高精度，可以传递 --use_llm 标志，使用 LLM 与 marker 一起工作。这将执行诸如跨页合并表格、处理内联数学公式、正确格式化表格以及从表单中提取值等操作。它可以使用任何 gemini 或 ollama 模型。默认情况下，它使用 gemini-2.0-flash。有关详细信息，请参见下方。

以下是对比 marker、gemini flash 单独使用以及 marker 使用 LLM 的表格基准：

如你所见，使用 use_llm 模式提供的准确性比单独使用 marker 或 gemini 更高。

示例

PDF	文件类型	Markdown	JSON
Think Python	教材	查看	查看
切换变压器	arXiv 论文	查看	查看
多列 CNN	arXiv 论文	查看	查看

商业用途

我们的模型权重使用了修改后的 AI Pubs Open Rail-M 许可证（用于研究、个人使用以及营收低于 200 万美元的初创公司时免费），而我们的代码采用 GPL 许可证。如需更广泛的商业许可证或去除 GPL 要求，请访问我们的定价页面此处。

托管 API & 本地部署

有一个托管 API 和简单的本地解决方案可用于 marker – 注册是免费的，我们还会赠送一些积分供您试用。

API：

支持 PDF、图像、PPT、PPTX、DOC、DOCX、XLS、XLSX、HTML、EPUB 文件
1/4的价格是否是领先的基于云的竞争对手的价格
快速 – ~15 秒处理 250 页 PDF
支持 LLM 模式
高可用性（99.99%）

社区

Discord 是我们讨论未来开发的地方。

安装

您需要 Python 3.10+ 和 PyTorch。

通过以下方式安装：

pip install marker-pdf

如果你想在非 PDF 的文档上使用 marker，你需要通过以下方式安装额外的依赖项：

pip install marker-pdf[full]

用法

首先，一些配置：

您的 torch 设备将被自动检测，但您可以覆盖此设置。例如，TORCH_DEVICE=cuda。
有些 PDF，即使是数字版的，其中的文本质量也可能很差。可以设置 --force_ocr 强制对所有行进行 OCR，或者使用 strip_existing_ocr 保留所有数字文本，并去除任何现有的 OCR 文本。
如果你关心行内数学公式，请将 force_ocr 设置为将行内数学公式转换为 LaTeX。

交互式应用

我提供了一个 streamlit 应用程序，可以让你通过一些基本选项交互式地尝试 marker。通过以下方式运行它：

pip install streamlit streamlit-ace
marker_gui

转换单个文件

marker_single /path/to/file.pdf

你可以传入 PDF 或图像。

选项：

--page_range TEXT: 指定要处理的页面。接受用逗号分隔的页码和范围。示例：--page_range "0,5-10,20" 将处理第 0 页、第 5 至 10 页以及第 20 页。
--output_format [markdown|json|html|chunks] : 指定输出结果的格式。
--output_dir PATH: 保存输出文件的目录。默认值为 settings.OUTPUT_DIR 中指定的值。
--paginate_output: 对输出进行分页，使用 \n\n{PAGE_NUMBER} 后跟 - * 48，然后是 \n\n
--use_llm: 使用 LLM 来提高准确性。你需要配置 LLM 后端 – 请参见下方。
--force_ocr: 强制对整个文档进行 OCR 处理，即使页面中可能包含可提取的文本。这也将正确格式化内联数学公式。
--block_correction_prompt: 如果启用了 LLM 模式，这是一个可选的提示，将用于修正 marker 的输出。这对于您想要应用到输出的自定义格式或逻辑非常有用。
--strip_existing_ocr: 删除文档中所有现有的 OCR 文本，并使用 surya 重新进行 OCR。
--redo_inline_math: 如果您希望获得最高质量的行内数学公式转换，请与 --use_llm 一起使用此选项。
--disable_image_extraction: 不从 PDF 中提取图像。如果您还指定了 --use_llm，则图像将被描述文字替换。
--debug: 启用调试模式以获取额外的日志和诊断信息。
--processors TEXT: 通过提供完整的模块路径（以逗号分隔）来覆盖默认的处理器。示例： --processors "module1.processor1,module2.processor2"
--config_json PATH: 包含其他设置的 JSON 配置文件的路径。
config --help: 列出所有可用的构建器、处理器和转换器及其相关配置。这些值可用于构建一个 JSON 配置文件，以便进一步调整 marker 的默认设置。
--converter_cls: 为 marker.converters.pdf.PdfConverter （默认）或 marker.converters.table.TableConverter 之一。 PdfConverter 会将整个 PDF 进行转换，而 TableConverter 仅提取并转换表格。
--llm_service: 如果传递了 --use_llm，使用哪个 LLM 服务。默认为 marker.services.gemini.GoogleGeminiService 。
--help: 查看可以传递给 marker 的所有标志。(它支持比上面列出的更多选项)

surya OCR 支持的语言列表请参见此处。如果您不需要 OCR，marker 可以支持任何语言。

转换多个文件

marker /path/to/input/folder

marker 支持以上 marker_single 中的所有相同选项。
--workers 表示同时运行的转换工作进程数量。默认情况下会自动设置，但你可以增加这个数值以提高吞吐量，代价是更高的 CPU/GPU 使用率。Marker 在峰值时每个工作进程会使用 5GB 的 VRAM，平均使用 3.5GB。

在多个 GPU 上转换多个文件

NUM_DEVICES=4 NUM_WORKERS=15 marker_chunk_convert ../pdf_in ../md_out

NUM_DEVICES 表示使用的 GPU 数量。应为 2 或更大。
NUM_WORKERS 是在每个 GPU 上运行的并行进程数量。

从 Python 使用

请参见 marker/converters/pdf.py 文件中的 PdfConverter 类，以查看可以传递的其他参数。

from marker.converters.pdf import PdfConverter
from marker.models import create_model_dict
from marker.output import text_from_rendered

converter = PdfConverter(
    artifact_dict=create_model_dict(),
)
rendered = converter("FILEPATH")
text, _, images = text_from_rendered(rendered)

rendered 将是一个 pydantic 基类模型，其属性会根据请求的输出类型有所不同。使用 markdown 输出（默认），您将拥有 markdown、metadata 和 images 属性。对于 json 输出，您将拥有 children、block_type 和 metadata 属性。

自定义配置

你可以使用 ConfigParser 来传递配置。要查看所有可用选项，请执行 marker_single --help。

from marker.converters.pdf import PdfConverter
from marker.models import create_model_dict
from marker.config.parser import ConfigParser

config = {
    "output_format": "json",
    "ADDITIONAL_KEY": "VALUE"
}
config_parser = ConfigParser(config)

converter = PdfConverter(
    config=config_parser.generate_config_dict(),
    artifact_dict=create_model_dict(),
    processor_list=config_parser.get_processors(),
    renderer=config_parser.get_renderer(),
    llm_service=config_parser.get_llm_service()
)
rendered = converter("FILEPATH")

提取块

每个文档由一个或多个页面组成。页面包含块，这些块本身还可以包含其他块。可以编程方式操作这些块。

这是一个从文档中提取所有表单的示例：

from marker.converters.pdf import PdfConverter
from marker.models import create_model_dict
from marker.schema import BlockTypes

converter = PdfConverter(
    artifact_dict=create_model_dict(),
)
document = converter.build_document("FILEPATH")
forms = document.contained_blocks((BlockTypes.Form,))

查看处理器以获取更多关于提取和操作块的示例。

其他转换器

你也可以使用其他定义了不同转换流程的转换器：

提取表格

TableConverter 只会转换和提取表格：

from marker.converters.table import TableConverter
from marker.models import create_model_dict
from marker.output import text_from_rendered

converter = TableConverter(
    artifact_dict=create_model_dict(),
)
rendered = converter("FILEPATH")
text, _, images = text_from_rendered(rendered)

这使用与 PdfConverter 相同的所有配置。您可以指定配置 force_layout_block=Table 以避免布局检测，并假设每一页都是表格。设置 output_format=json 还可以获得单元格边界框。

你也可以通过 CLI 运行此命令

marker_single FILENAME --use_llm --force_layout_block Table --converter_cls marker.converters.table.TableConverter --output_format json

仅 OCR

如果你只想运行 OCR，也可以通过 OCRConverter 来实现。设置 --keep_chars 以保留单个字符和边界框。

from marker.converters.ocr import OCRConverter
from marker.models import create_model_dict

converter = OCRConverter(
    artifact_dict=create_model_dict(),
)
rendered = converter("FILEPATH")

这使用与 PdfConverter 相同的所有配置。

你也可以通过 CLI 运行此命令

marker_single FILENAME --converter_cls marker.converters.ocr.OCRConverter

结构化提取（测试版）

你可以通过 ExtractionConverter 运行结构化提取。这需要首先设置一个 llm 服务（详见此处）。你将得到一个包含提取值的 JSON 输出。

from marker.converters.extraction import ExtractionConverter
from marker.models import create_model_dict
from marker.config.parser import ConfigParser
from pydantic import BaseModel

class Links(BaseModel):
    links: list[str]

schema = Links.model_json_schema()
config_parser = ConfigParser({
    "page_schema": schema
})

converter = ExtractionConverter(
    artifact_dict=create_model_dict(),
    config=config_parser.generate_config_dict(),
    llm_service=config_parser.get_llm_service(),
)
rendered = converter("FILEPATH")

渲染结果将包含一个 original_markdown 字段。如果你下次运行转换器时将此字段作为 existing_markdown 配置键传回，就可以跳过重新解析文档。

输出格式

Markdown

Markdown 输出将包括：

图片链接（图片将保存在相同文件夹中）
格式化的表格
嵌入的 LaTeX 公式（用 $$ 包裹）
代码用三个反引号包裹起来
脚注上标

HTML

HTML 输出与 markdown 输出类似：

图片是通过 img 标签包含的
方程使用 <math> 标签进行围栏
代码在 pre 标签中

JSON

JSON 输出将采用树状结构组织，叶节点为块。叶节点的示例包括单个列表项、一段文本或一张图片。

输出将是一个列表，每个列表项代表一页。在内部 marker 架构中，每页被视为一个块。有不同的块类型来表示不同的元素。

页面具有以下键：

id – 块的唯一标识符。
block_type – 块的类型。可能的块类型可以在 marker/schema/__init__.py 中看到。截至目前，它们是 [“Line”, “Span”, “FigureGroup”, “TableGroup”, “ListGroup”, “PictureGroup”, “Page”, “Caption”, “Code”, “Figure”, “Footnote”, “Form”, “Equation”, “Handwriting”, “TextInlineMath”, “ListItem”, “PageFooter”, “PageHeader”, “Picture”, “SectionHeader”, “Table”, “Text”, “TableOfContents”, “Document”]
html – 页面的 HTML 代码。请注意，这将包含对子内容的递归引用。如果你想生成完整的 HTML，必须将 content-ref 标签替换为子内容。你可以在 marker/output.py:json_to_html 中看到这个例子。该函数将从 JSON 输出中获取一个单独的块，并将其转换为 HTML。
polygon – 页面的四角多边形，格式为 (x1,y1), (x2,y2), (x3, y3), (x4, y4)。(x1,y1) 是左上角，坐标按顺时针方向排列。
children – 子块。

子块有两个额外的键：

section_hierarchy – 表示该块所属的章节。1 表示 h1 标签，2 表示 h2，依此类推。
images – 以 base64 编码的图像。键将是块的 ID，数据将是编码后的图像。

请注意，页面的子块也可以拥有自己的子块（树状结构）。

{
      "id": "/page/10/Page/366",
      "block_type": "Page",
      "html": "<content-ref src='/page/10/SectionHeader/0'></content-ref><content-ref src='/page/10/SectionHeader/1'></content-ref><content-ref src='/page/10/Text/2'></content-ref><content-ref src='/page/10/Text/3'></content-ref><content-ref src='/page/10/Figure/4'></content-ref><content-ref src='/page/10/SectionHeader/5'></content-ref><content-ref src='/page/10/SectionHeader/6'></content-ref><content-ref src='/page/10/TextInlineMath/7'></content-ref><content-ref src='/page/10/TextInlineMath/8'></content-ref><content-ref src='/page/10/Table/9'></content-ref><content-ref src='/page/10/SectionHeader/10'></content-ref><content-ref src='/page/10/Text/11'></content-ref>",
      "polygon": [[0.0, 0.0], [612.0, 0.0], [612.0, 792.0], [0.0, 792.0]],
      "children": [
        {
          "id": "/page/10/SectionHeader/0",
          "block_type": "SectionHeader",
          "html": "<h1>Supplementary Material for <i>Subspace Adversarial Training</i> </h1>",
          "polygon": [
            [217.845703125, 80.630859375], [374.73046875, 80.630859375],
            [374.73046875, 107.0],
            [217.845703125, 107.0]
          ],
          "children": null,
          "section_hierarchy": {
            "1": "/page/10/SectionHeader/1"
          },
          "images": {}
        },
        ...
        ]
    }

块

Chunks 格式类似于 JSON，但会将所有内容展平为一个单一列表，而不是树状结构。每页中只显示最顶层的块。它还包含每个块的完整 HTML 内容，因此无需爬取树结构即可重新构建它。这使得 RAG 的分块更加灵活和容易。

元数据

所有输出格式都将返回一个包含以下字段的元数据字典：

{
    "table_of_contents": [
      {
        "title": "Introduction",
        "heading_level": 1,
        "page_id": 0,
        "polygon": [...]
      }
    ], // computed PDF table of contents
    "page_stats": [
      {
        "page_id":  0,
        "text_extraction_method": "pdftext",
        "block_counts": [("Span", 200), ...]
      },
      ...
    ]
}

LLM 服务

当使用 --use_llm 标志运行时，您可以选择使用的服务：

Gemini – 默认情况下，这将使用 Gemini 开发者 API。你需要将 --gemini_api_key 传递给配置。
Google Vertex – 这将使用顶点，这可能更可靠。你需要传递 --vertex_project_id。要使用它，请设置 --llm_service=marker.services.vertex.GoogleVertexService 。
Ollama – 这将使用本地模型。您可以配置 --ollama_base_url 和 --ollama_model。要使用它，请设置 --llm_service=marker.services.ollama.OllamaService 。
Claude – 这将使用 anthropic API。您可以配置 --claude_api_key 和 --claude_model_name。要使用它，请设置 --llm_service=marker.services.claude.ClaudeService 。
OpenAI – 这支持任何类似 OpenAI 的端点。您可以配置 --openai_api_key、--openai_model 和 --openai_base_url。要使用它，请设置 --llm_service=marker.services.openai.OpenAIService 。
Azure OpenAI – 这使用了 Azure OpenAI 服务。您可以配置 --azure_endpoint、--azure_api_key 和 --deployment_name。要使用它，请设置 --llm_service=marker.services.azure_openai.AzureOpenAIService 。

这些服务可能还有其他可选配置 – 你可以通过查看类来了解。

内部结构

Marker 易于扩展。Marker 的核心单元是：

Providers，位于 marker/providers。这些提供者从源文件（如 PDF）中提取信息。
Builders，位于 marker/builders。这些生成初始的文档块并填充文本，使用来自提供者的信息。
Processors，位于 marker/processors。这些处理特定的块，例如表格格式化器是一个处理器。
Renderers，位于 marker/renderers。这些使用块来渲染输出。
Schema，位于 marker/schema。所有块类型的类。
Converters，位于 marker/converters。它们运行整个端到端的流程。

要自定义处理行为，请覆盖 processors。要添加新的输出格式，请编写一个新的 renderer。如需额外的输入格式，请编写一个新的 provider。

处理器和渲染器可以直接传递给基础的 PDFConverter，因此你可以轻松地指定自己的自定义处理方式。

API 服务器

有一个非常简单的 API 服务器，你可以像这样运行它：

pip install -U uvicorn fastapi python-multipart
marker_server --port 8001

这将启动一个 fastapi 服务器，您可以通过 localhost:8001 访问。您可以前往 localhost:8001/docs 查看端点选项。

你可以这样发送请求：

import requests
import json

post_data = {
    'filepath': 'FILEPATH',
    # Add other params here
}

requests.post("http://localhost:8001/marker", data=json.dumps(post_data)).json()

请注意，这不是一个非常稳定的 API，仅适用于小规模使用。如果您想使用此服务器，但希望获得更稳定的转换选项，可以使用托管的 Datalab API。

故障排除

如果事情没有按你预期的方式进行，你会发现一些有用的设置：

如果对准确性有疑问，请尝试设置 --use_llm 以使用 LLM 来提高质量。要使此功能生效，必须将 GOOGLE_API_KEY 设置为 Gemini API 密钥。
如果看到乱码文本，请确保设置 force_ocr – 这将重新对文档进行 OCR 处理。
TORCH_DEVICE – 设置此参数以强制 marker 使用指定的 torch 设备进行推理。
如果你遇到内存不足的错误，请减少工作线程数量。你也可以尝试将长 PDF 文件拆分成多个文件。

调试

传递 debug 选项以激活调试模式。这将保存每页检测到的布局和文本的图像，并输出一个包含额外边界框信息的 json 文件。

基准测试

整体 PDF 转换

我们通过从常见爬取数据中提取单个 PDF 页面创建了一个基准数据集。我们根据一个将文本与真实文本段对齐的启发式方法进行评分，并使用一个 LLM 作为评分方法的裁判。

方法	平均时间	启发式得分	LLM 分数
marker	2.83837	95.6709	4.23916
llamaparse	23.348	84.2442	3.97619
mathpix	6.36223	86.4281	4.15626
docling	3.69949	86.7073	3.70429

基准测试在 H100 上运行，用于 markjer 和 docling – llamaparse 和 mathpix 使用了他们的云服务。我们也可以按文档类型来看：

文档类型	Marker 启发式方法	Marker LLM	Llamaparse 启发式方法	Llamaparse LLM	Mathpix 启发式方法	Mathpix LLM	Docling Heuristic	Docling LLM
科学论文	96.6737	4.34899	87.1651	3.96421	91.2267	4.46861	92.135	3.72422
书页	97.1846	4.16168	90.9532	4.07186	93.8886	4.35329	90.0556	3.64671
其他	95.1632	4.25076	81.1385	4.01835	79.6231	4.00306	83.8223	3.76147
表单	88.0147	3.84663	66.3081	3.68712	64.7512	3.33129	68.3857	3.40491
演示	95.1562	4.13669	81.2261	4	83.6737	3.95683	84.8405	3.86331
财务文件	95.3697	4.39106	82.5812	4.16111	81.3115	4.05556	86.3882	3.8
信	98.4021	4.5	93.4477	4.28125	96.0383	4.45312	92.0952	4.09375
工程文档	93.9244	4.04412	77.4854	3.72059	80.3319	3.88235	79.6807	3.42647
法律文件	96.689	4.27759	86.9769	3.87584	91.601	4.20805	87.8383	3.65552
报纸页面	98.8733	4.25806	84.7492	3.90323	96.9963	4.45161	92.6496	3.51613
杂志页面	98.2145	4.38776	87.2902	3.97959	93.5934	4.16327	93.0892	4.02041

吞吐量

我们通过使用一个长 PDF 来评估吞吐量。

方法	每页耗时	每份文档的时间	已使用的显存
marker	0.18	43.42	3.17GB

预计在 H100 上的吞吐量为每秒 122 页 – 考虑到使用的 VRAM，我们可以运行 22 个独立进程。

表格转换

Marker 可以使用 marker.converters.table.TableConverter 从 PDF 中提取表格。表格提取的性能是通过将提取出的表格的 HTML 表示与原始 HTML 表示进行比较，使用 FinTabNet 的测试分割来衡量的。HTML 表示是通过基于树编辑距离的指标进行比较，以判断结构和内容。Marker 能够检测并识别 PDF 页面中所有表格的结构，并实现了这些分数：

方法	平均分	总表格数
marker	0.816	99
marker w/use_llm	0.907	99
gemini	0.829	99

--use_llm 标志可以显著提高表格识别性能，如您所见。

我们过滤掉无法与真实数据对齐的表格，因为 fintabnet 和我们的布局模型检测方法略有不同（这导致一些表格被拆分/合并）。

运行您自己的基准测试

你可以在自己的设备上对 marker 的性能进行基准测试。手动安装 marker 的方法是：

git clone https://github.com/VikParuchuri/marker.git
poetry install

整体 PDF 转换

下载基准数据 here 并解压缩。然后像这样运行整体基准测试：

python benchmarks/overall.py --methods marker --scores heuristic,llm

选项：

--use_llm 使用 LLM 来提升 marker 的结果。
--max_rows 用于基准测试时要处理的行数。
--methods 可以是 llamaparse, mathpix, docling, marker。用逗号分隔。
--scores 要使用的评分函数，可以是 llm, heuristic。用逗号分隔。

表格转换

已处理的 FinTabNet 数据集托管此处并会自动下载。使用以下命令运行基准测试：

python benchmarks/table/table.py --max_rows 100

选项：

--use_llm 使用 llm 与 marker 结合以提高准确性。
--use_gemini 还对 gemini 2.0 flash 进行基准测试。

它是如何工作的

Marker 是一个深度学习模型的流程：

提取文本，必要时进行 OCR（启发式方法，surya）
检测页面布局并确定阅读顺序（surya）
清理并格式化每个块（启发式方法，texify, surya)
可选择使用 LLM 来提高质量
合并块并处理完整文本

它只在必要时使用模型，这提高了速度和准确性。

限制

PDF 是一种复杂的格式，因此 marker 并不总能完美地工作。以下是一些已知的限制，这些问题正在计划中逐步解决：

非常复杂的布局，包含嵌套表格和表单，可能无法正常工作
表单可能无法正确显示

注意：传递 --use_llm 和 --force_ocr 标志通常可以解决这些问题。

使用和部署示例

你始终可以本地运行 marker，但如果你想将其作为 API 暴露出来，我们有几个选项：

我们的平台 API 由 marker 和 surya 提供支持，易于测试 – 注册是免费的，我们将提供积分，在这里试用
我们无痛的本地解决方案适用于商业用途，您可以在这里阅读更多，并提供隐私保证和高吞吐量推理优化。
使用 Modal 部署的示例，展示了如何通过 Modal 的网络端点部署和访问 marker。Modal 是一个 AI 计算平台，使开发者能够在几分钟内部署和扩展 GPU 上的模型。

limitless 印象派水彩 | 设定

marker将pdf转为Markdown

性能

混合模式

示例

商业用途

托管 API & 本地部署

社区

安装

用法

交互式应用

转换单个文件

转换多个文件

在多个 GPU 上转换多个文件

从 Python 使用

自定义配置

提取块

其他转换器

提取表格

仅 OCR

结构化提取（测试版）

输出格式

Markdown

HTML

JSON

块

元数据

LLM 服务

内部结构

API 服务器

故障排除

调试

基准测试

整体 PDF 转换

吞吐量

表格转换

运行您自己的基准测试

整体 PDF 转换

表格转换

它是如何工作的

限制

使用和部署示例

发表回复 取消回复

发表回复取消回复