文件解析的三層階梯：轉換、抽取、解析，先選對層再選工具
把文件餵給 LLM 之前，最常見的錯誤不是選錯工具，是選錯層。結構已經在檔案裡的用轉換層（毫秒級），有文字沒結構的用抽取層，連文字都要推斷的才用解析層——anydoc 的 4.7ms 到 Docling 的 513.6ms 差 109 倍，多數人卻直接跳最貴的那層。
11 篇文章
文件解析實戰
把文件變成 LLM 可讀內容的三層階梯——轉換、抽取、解析。從選層邏輯到 MarkItDown、anydoc、MinerU 等各層工具的取捨比較。
系列導讀
MarkItDown：把任何檔案餵給 LLM 之前，先讓它變成 Markdown
Microsoft 開源的輕量工具，把 PDF、Office、圖片、音訊等格式統一轉成 Markdown，專門為 LLM pipeline 設計。
anydoc：14 種辦公格式轉 Markdown，Firecrawl 用 Rust 給的另一個答案
Firecrawl 開源的 Rust 轉檔函式庫，14 種辦公格式（含 .doc / .ppt / .xls 老格式）統一轉 GFM，中位耗時 4.7ms，同樣計時條件下比 Docling 快 109 倍。代價是完全不碰 OCR。
確定性抽取層：不用任何模型，先解決八成的 PDF
數位原生 PDF 的文字是讀得到的，缺的只是結構。PyMuPDF、pdfplumber、pypdf、Tika 這一層用啟發式規則就能還原段落與表格，零 GPU、零推論成本。最大的選型陷阱不是準確度，是 PyMuPDF 的 AGPL-3.0 授權。
解析層：當結構要用模型推斷——而授權才是真正的選型軸
掃描件與複雜版面只能靠模型推斷結構。但 MinerU、Marker、Docling 的技術差距遠小於授權差距——MinerU 過 $20M 月營收要另談授權、Marker 的模型權重過門檻要付費、只有 Docling 是乾淨的 MIT。選型先看 LICENSE，再看 benchmark。
掃描 PDF 實測：10 種解析工具丟進考古題，結果差多少？
用 4 份台大碩班掃描考古題實測 10 種開源 PDF 解析工具。VLM 類（Firecrawl、MinerU 3.4、Marker v2）在公式和程式碼上全面碾壓傳統 OCR，但安裝踩坑才是真正的門檻——MinerU 舊包名會進依賴地獄、Marker 首次模型下載要 10 分鐘、PaddleOCR 缺引擎。實務推薦兩階段策略：RapidOCR 粗篩 + MinerU/Firecrawl 精查。
Agentic Parsing：讓 Agent 決定怎麼解析文件
傳統文件解析用固定 pipeline 一體適用，但合約、財報、技術手冊各需不同策略。Agentic Parsing 讓 LLM agent 觀察文件後動態選工具——AgenticOCR 只解析需要的區域（視覺 token 省 70%+）、ParseBench 2,000 頁企業文件實測最佳方案也只拿 84.9%，沒有銀彈。
MinerU：從 PDF 到結構化 Markdown 的文件解析引擎
MinerU 是 OpenDataLab 的開源文件解析引擎，可將 PDF、圖像與 Office 文件轉成保留表格、公式和閱讀順序的 Markdown 與 JSON，適合 RAG 前處理與知識庫建構。
Docling：IBM 開源、MIT 授權、結構化 JSON 為核心的文件解析標準庫
Docling（IBM Research Zurich 起源，現由 Linux Foundation AI & Data 治理，MIT 授權，v2.100.0 於 2026-06-09 發布）是一個以結構化 JSON 為核心輸出的文件解析標準庫，支援 PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages、影片（MP4/AVI/MOV，含 ASR 轉錄與代表性幀）、音訊（WAV/MP3）、電子郵件（EML/MSG）、ODF 與 XBRL 財報，並提供可替換階段的 pipeline 式解析（純 CPU 或 GPU 加速）、VlmPipeline 選項（GraniteDocling 258M VLM）、MCP server 與 API server（docling-serve），與 LangChain / LlamaIndex / Crew AI / Haystack 原生整合。
Marker: Datalab's Open-Source, Apache 2.0 Pipeline Parser — Faster, CPU-Ready, More Accurate
Marker（Datalab 開源，Apache 2.0 授權，v2.0.0 於 2026-07-20 發布，39.5k stars）是一個以 Markdown 與 JSON 為輸出的 pipeline 式文件解析標準庫，支援 PDF、圖像、PPTX、DOCX、XLSX、HTML、EPUB，並提供可選的 LLM 增強（`--use_llm`，預設 `gemini-3.5-flash`）、可自訂格式邏輯與表格/公式/內嵌數學/連結/參考/程式碼區塊的完整處理、圖像提取與保存、標頭/頁尾移除，並可在純 CPU、GPU 或 MPS（Apple Silicon）環境運作。與 [Docling](/posts/tech/2026-09-06-docling-document-parsing) 同屬解析層，但授權路徑（`Apache 2.0` 代碼 + `AI Pubs Open Rail-M` 模型權重，有商業門檻 `$5M`）、輸出核心（`Markdown` 為主而非結構化 `JSON`）、解析引擎特點（`Pipeline` 式可替換階段，但 `VlmPipeline` 為可選的 `LLM` 增強而非固定 `VLM` 選項）、與 [MinerU](/posts/tech/2026-09-05-mineru-ocr-doc-parsing)（自訂協議、`Markdown` 為核心、`Hybrid` `effort` 參數）的差異形成解析層內三種不同取捨路徑。
商業文件解析 API 橫評：專用 Parser、通用 VLM、三大雲，交叉點在哪？
商業文件解析分三條路線：專用 Parser（Cohere Parse $1.50/千頁、LlamaParse Agentic Plus 90.2%）、三大雲 Prebuilt（Azure/Google/AWS，結構化欄位抽取）、直接用通用 VLM（Fable 5.1 在 ParseBench 拿 78.92，圖表理解碾壓專用 parser，但每頁成本 3-16 倍且會幻覺）。10 萬頁/月純 OCR 各家都 ~$150，加表格後 AWS 跳到 $1,500、用 Claude Sonnet 5 跑要 $900。選型的第一個問題不是「哪家最準」，是「你要轉錄還是理解」。