题记与说明
撰写日期：2026-11-04。
综合说明：本报告由同日两份章节稿综合而成——纵轴《发展脉络》（2026-11-04-文档解析技术对比-HTML-PDF-DOCX-EPUB-vertical.md）与横轴《横向对比》（2026-11-04-文档解析技术对比-HTML-PDF-DOCX-EPUB-抽取质量-horizontal.md）。综合时消除两章的重复叙述与过程性注释（正文不再保留合并过程叙事，相关核实说明归档于文末"证据边界"），并统一了四处口径差异：① Mistral OCR 定价按时间线表述（初代 $1/千页 → OCR 3 现价 $2/千页）；② "专用模型超越通用大模型"的基线按时间演进表述（2025-09 MinerU2.5 超 Gemini 2.5 Pro → 2026-02 GLM-OCR 94.6 超 Gemini 3 Pro 的 90.3）；③ OmniDocBench 页数在 v1 论文（1,651 页）与 LlamaIndex 批评文转述（约 1,355 页）之间不一致，文中如实并注；④ Mistral OCR 4 不在 Mistral 自有定价页的时间线上，仅有经 Azure AI Foundry 渠道的公开定价（$4–5/千页），其发布时间未核实到一手公告，2.4 节单独注明。所有关键事实随文标注来源链接；未能核实的事项集中列于文末"证据边界与未决事项"。
TL;DR
四种格式的抽取质量差异，本质是"结构信息在文件里存了多少"：EPUB 与 HTML 把语义显式写进文件，解析近零成本、失败模式最少；DOCX 半结构化，难点在修订跟踪与保真；PDF 只存坐标与字形，结构全靠猜，养活了最热闹的解析市场。解析历经四次范式转移：规则解析器、标准化红利、版面感知深度学习、LLM/VLM 端到端。2026-11 截面：0.9B 专用小模型在干净基准上击败通用大模型，退化输入上却集体塌方；OmniDocBench 被指饱和，评测权之争开打；许可证先于精度成为选型门槛。核心建议：最大决策在格式层而非解析器层——能拿 EPUB/DOCX/HTML 就不要拿 PDF；选解析器前，先自建脏数据评测（最小可行流程见第三章末节）。
一、纵轴：发展脉络——四次范式转移，一条驱动逻辑
1.0 主线概览
这个课题表面上比较四种格式的抽取质量，实质上记录的是同一场持续性工程演进的四个切面。三十余年间，文档解析经历了四次范式转移：
- 规则解析器时代（1990s–2008）：xpdf/pdftotext、pdfminer、BeautifulSoup 这类"把字节流还原成文本"的工具，靠启发式规则硬啃。
- 标准化红利时代（2006–2014）：OOXML（ECMA-376/ISO 29500）、PDF（ISO 32000-1）、EPUB 2/3、HTML5 相继标准化或开放，格式第一次有了"法定语义"。
- 版面感知深度学习时代（2012–2022）：GROBID、LayoutLM 系列与云 IDP 服务把"抽取"重建为"视觉＋布局＋语言"的多模态识别问题。
- LLM/VLM 端到端时代（2023–今）：Nougat、Marker、MinerU、Docling、Mistral OCR、PaddleOCR-VL、DeepSeek-OCR 等，让"文档→Markdown"成为大模型语料供应链的一等公民。
每一次转移的驱动因素都相同：谁在消费文档。PDF 为打印而生，HTML 为浏览而生，DOCX 为协作编辑而生，EPUB 为再排版阅读而生——没有一个格式是为"机器理解"而生的。抽取质量与失败模式的历史，就是下游消费者（搜索引擎 → 数字图书馆 → RPA/智能文档处理 → RAG/Agent）不断逼问"格式原生语义不足"的历史。而本课题的问题意识——跨格式统一对比、元素级评测——直到 2024 年底 OmniDocBench 出现，才真正有了公共基础设施。
1.1 奠基期（1985–2008）：格式诞生与规则解析器
格式诞生（1985–1999）。PDF 由 Adobe 于 1993 年 6 月 15 日随 Acrobat 1.0 发布，定位是"打印的数字化身"——页面由文本定位操作符与字形绘制指令组成，与软硬件无关（Adobe PDF 时间线、History of PDF – Wikipedia、Library of Congress fdd000277）。HTML 由 Tim Berners-Lee 于 1991 年在 CERN 发布，1995 年 HTML 2.0（RFC 1866）成为首个标准化的 HTML 版本；"同一标签既承载内容又承载表现"的先天矛盾从第一天就存在。Microsoft Word 的 .doc 采用 OLE 复合二进制格式（Word 97–2003 时代定型），闭源且实现耦合，第三方抽取只能靠逆向工程。1999 年 Open eBook Forum（2005 年更名 IDPF）发布 Open eBook Publication Structure（OEBPS）1.0，即 EPUB 的直系祖先（W3C EPUB 3 Overview、EDRLab：Open standards – EPUB）。
工具侧的起点也在此时：1995 年 12 月 Derek Noonburg（Glyph and Cog）发布 xpdf 0.2——第一个开源 PDF 查看器，其中的 pdftotext 从此成为三十年不倒的 PDF 抽取基线（xpdfreader.com/about、glyphandcog.com 开源页）；Tesseract 则于 1985–1995 年在 HP 实验室作为商业级 OCR 引擎孕育（Ray Smith 论文，Google Research）。
规则解析器时代（1990s–2008）。PDF 抽取工具链成型：2002 年 Ben Litchfield 发起 PDFBox（后成 Apache 顶级项目）；2004–2005 年 Yusuke Shinyama 发布纯 Python 的 pdfminer，确立"布局分析式"抽取路线；2005 年 3 月 Kristian Høgsberg 从 xpdf 3.0 fork 出 Poppler，为 Linux 桌面提供统一 PDF 渲染库，pdftotext 从此进入所有发行版（Poppler fork 宣告邮件，freedesktop.org）。HTML 侧 2004 年出现 Leonard Richardson 的 BeautifulSoup、2005 年出现 lxml，"正文/boilerplate 分离"逐步成为独立子问题。2006 年 John MacFarlane 发布 Pandoc、Kovid Goyal 发布 calibre——前者成为此后二十年文档格式互转的瑞士军刀，后者成为电子书（含 EPUB）管理的默认工具。2007 年 Apache Tika 出现，目标是"从一切格式抽文本和元数据"。学术 PDF 解析则以 2008 年 Patrice Lopez 的个人项目 GROBID（GeneRation Of BIbibliographic Data）开端，用 CRF 序列标注解析文献表头与引文，2009 年 ECDL 论文报告表头字段准确率 98.6%（GROBID 文档 Introduction、grobid.org：What is GROBID）。OCR 完成开源化：HP/UNLV 于 2005 年开源 Tesseract，2006 年 8 月 Google 接手赞助，OCR 从商业软件变成公共品（Tesseract – Wikipedia、Google 开发者博客）。
失败模式埋点。这一阶段埋下了本课题全部失败模式的种子：PDF"物理坐标 ≠ 语义顺序"（此后所有 PDF 失败模式的总根源）；HTML 的标签汤（tag soup）与表现/内容混杂；DOC 二进制的不可解析性。具体表现为双栏排版下"文字顺序=物理顺序"假设崩溃、ligature（连字）与断词连字符（hyphenation）污染词元、页眉页脚与页码混入正文、.doc 只能靠 antiword/wvWare 等逆向工程滤镜。此阶段"抽取"几乎与"搜索引擎索引"同义，消费者是搜索引擎爬虫、数字图书馆与法律电子取证（eDiscovery）。
1.2 标准化红利期（2006–2014）：格式第一次有了"法定语义"
- OOXML/DOCX：Word 2007（Office 2007）把 .docx 设为默认格式；2006 年 12 月 Ecma 国际发布 ECMA-376 第一版（约 6045 页）；2008 年获 ISO/IEC 29500 国际标准地位（与 ECMA-376:2006 存在差异），并引入 Transitional / Strict 双轨制——Strict 长期缺乏支持，成为此后十几年 DOCX 解析器碎片化的结构性根源（Office Open XML – Wikipedia、ECMA-376 官方页、LoC fdd000397）。
- PDF 开放：2007 年 1 月 Adobe 将 PDF 1.7 规范捐赠给 ISO；2008 年 7 月 1 日发布 ISO 32000-1:2008（756 页）并授予免费专利许可。此后 PDF/A（归档）、PDF/UA（无障碍）、Tagged PDF 让"语义化 PDF"成为可能，但实际存量文档中带标签者长期是少数（ISO 32000-1 全文（Adobe 镜像）、PDF Association）。
- EPUB 成型：2007 年 10 月 IDPF 批准 EPUB 2.0 取代 OEBPS（2010 年 2.0.1 维护版）；2011 年 10 月 11 日 EPUB 3.0 成为 IDPF Recommendation，内容文档转向 HTML5，加入固定版式与多媒体（IDPF EPUB 3.0 Changes、LoC fdd000310）。
- HTML 双轨与 HTML5：W3C 与 WHATWG 分裂后并行推进；2014 年 10 月 28 日 HTML5 成为 W3C Recommendation，WHATWG 转向无版本号的 Living Standard，2019 年 W3C 正式承认后者为唯一 HTML 标准（W3C HTML5 REC、WHATWG HTML Living Standard）。
- 正文抽取工业级化：2009 年 Arc90 发布 Readability 书签栏脚本（后进入 Firefox/Safari 阅读模式），"把页面还原成文章"成为浏览器内置能力；2010 年 TU Dortmund 的 boilerpipe 把 boilerplate 剔除建模为文本块序列分类，摆脱纯 DOM 启发式（chuniversiteit：抽取算法对比研究、trafilatura 评测文档）。
失败模式的新形态：DOCX 证明"XML 化 ≠ 语义化"——标题可以只是加粗的普通段落；EPUB 阅读器碎片化（同一文件在不同阅读器渲染迥异，2.0/3.0 混存）；PDF 不带标签则语义不可恢复；XHTML 严格化的失败则证明"格式应该多干净"与"现实文档长什么样"是两回事。这一阶段的驱动因素是 Kindle（2007）与 iPad（2010）掀起的电子书浪潮、政府文档开放与无障碍立法、移动阅读对"可再排版文档"的要求。
1.3 版面工程与多模态文档理解期（2012–2022）
- 表格抽取独立成赛道：2012 年开源工具 Tabula 针对政府 PDF 报告中的表格；2014–2015 年 pdfplumber 在 pdfminer.six 之上提供表格/几何 API；2017 年 camelot 出现。"PDF 表格还原"从此成为独立赛道。
- GROBID 学术化：与 INRIA/Laurent Romary 合作（2015 年论文），从 CRF 工具演化为学术 PDF 解析的事实标准；同期 Allen Institute for AI 推出 science-parse（GROBID/INRIA 论文（HAL））。
- OCR 神经化：Tesseract 4.0（2018 年）引入 LSTM 识别引擎，准确率大幅跃升（Tesseract 社区、GitHub）。
- 版面数据集时代：IBM 发布 PubTabNet（ICCV 2019）等大规模表格/版面数据集，"版面检测→结构识别"两段式范式确立。HTML 侧，Adrien Barbaresi 于 2019 年发布 trafilatura，融合 DOM 检查、XPath 规则与 Readability 式回退，后续评测显示其在正文抽取上综合均值最优、boilerplate 泄漏最少（trafilatura 评测、OSTI 独立研究）。
- LayoutLM 三部曲（Microsoft Research Asia）：2019 年 LayoutLM（arXiv:1912.13318，KDD 2020）首次对文本＋二维布局联合预训练；2021 年 LayoutLMv2（ACL 2021）加入图像模态；2022 年 LayoutLMv3（arXiv:2204.08387）用统一文本/图像掩码与 ViT patch 简化架构。"文档 AI（Document AI）"正式成为独立研究方向。
- 云 IDP 三巨头：AWS Textract 于 2018 年 11 月 28 日在 re:Invent 发布（Forbes 报道、Textract 文档）；Azure Form Recognizer 2019 年 7 月 GA（2023 年更名 Document Intelligence）；Google Document AI 2020–2021 年成熟。"抽取质量"第一次成为带 SLA 的商业承诺。
- 为 LLM 服务的预处理出现：2022 年 9 月 unstructured.io 开源
unstructured库，把 PDF/HTML/Word/扫描件统一为"元素流"（unstructured.io：How We Got Started）；FUNSD（表单）、SROIE（收据）、CORD、DocVQA（WACV 2020）等基准奠定元素级评测习惯。
阶段共识与失败模式：到 2019 年前后，"PDF 是打印的终态、归档格式而非交换格式；要从 PDF 恢复语义，必须 OCR＋版面分析重建"成为行业共识。云 IDP 在手写、盖章、扫描噪声上表现强，但表格结构还原长期未解；这批服务在"版式化文档"（发票、表单、收据）上强大，在"连续散文型文档"上过度设计——为下一阶段的抱怨埋下伏笔。
1.4 LLM/RAG 与 VLM 直读期（2023–2026.11）：本课题的"诞生时刻"
RAG（检索增强生成）让"解析质量决定回答质量"成为共识，"垃圾进、垃圾出"把文档解析从工程细节抬升为数据基础设施问题。跨格式对比抽取质量与失败模式——即本课题的问题意识——正是在此成型。
2023–2024：管线爆发与基准诞生
- 2023 年 GPT-4/GPT-4V 让大模型"直接看"页面图像成为抽取选项之一，同时引入全新失败模式：幻觉——模型会"流畅地编造"页面上不存在的文字。
- 2023-08 Nougat（Meta）：arXiv:2308.13418，Donut 式端到端 Visual Transformer，学术 PDF→MultiMarkdown，可还原 LaTeX 公式与表格，且不依赖文本层。"PDF→Markdown"从此成为独立产品类别（arXiv、项目页、GitHub）。
- 2023 起 Surya/Marker（Vik Paruchuri）：先开源 Surya OCR（OCR＋版面＋阅读顺序＋表格），再开源 Marker（PDF→Markdown），2024 年成立 Datalab；Marker 后重写为 Marker 2（datalab-to/surya、Datalab blog：Marker 2、marker-pdf PyPI）。
- 2024-02-20 LlamaParse：LlamaIndex 随 LlamaCloud 发布的专有解析 API，首次把"复杂 PDF 解析质量"作为 RAG 的一等公民卖点商业化（发布报道、产品页）。
- 2024-04 Jina Reader / 2024-09 Reader-LM：URL 加
r.jina.ai/前缀即得 Markdown；Reader-LM 用小语言模型替代正则清洗 HTML——HTML 抽取第一次由"规则"转交"模型"（jina.ai/reader、jina-ai/reader GitHub）。 - 2024 MinerU（OpenDataLab）：以 PDF-Extract-Kit 模型套件为底座的"PDF→Markdown/JSON"全家桶，论文 arXiv:2409.18839，强调低成本高质量，成为中文社区事实上的开源标杆（GitHub、论文、PDF-Extract-Kit）。
- 2024-09 GOT-OCR 2.0：arXiv:2409.01704 提出"OCR-2.0"概念——580M 参数端到端统一模型，覆盖印刷/场景/格式化文本、表格与图表（arXiv、GitHub）。
- 2024-11-12 Docling（IBM）开源：MIT 协议，版面分析＋表格结构识别的 PDF 理解管线，技术报告 arXiv:2501.17887（IBM Research 博客、GitHub、arXiv）。
- 2024-12 MarkItDown（Microsoft）：12 月中开源的轻量"全格式→Markdown"工具（PDF/Word/PPT/Excel/HTML/图片/音频），为 LLM 摄取而生（GitHub）。
- 2024-12 OmniDocBench（OpenDataLab）：arXiv:2412.07626——1,651 页、9 类文档来源（论文/教材/试卷/报纸/杂志/财报/笔记/幻灯片/古籍）、4 种版面类型，提供文本/公式/表格/阅读顺序的元素级标注与多层次评测，后入选 CVPR 2025。这是本课题意义上的分水岭：跨工具、跨方法的统一评测第一次成为可能。（arXiv、GitHub、CVPR 2025 论文）同期中文社区出现 12 款开源 PDF 解析工具的系统性横评，"对比评测"从论文走向大众实践（liduos.com）。
2025–2026：VLM 直读与小模型军备竞赛
- 2025-02-25 olmOCR（Ai2）：用 VLM 批量把 PDF 转为"干净文本"，配套发布 olmOCR-bench，成为开源评测的另一参照系；项目从模型到数据全开放迭代，后发表 ACL 2026 Demo（Ai2 博客、ACL 2026 Demo 论文）。
- 2025-03-06 Mistral OCR：宣称"世界最佳文档理解 API"，初代定价 $1/千页，PDF→Markdown；2025-12-17 迭代至 Mistral OCR 3（
mistral-ocr-2512）并推出 Document AI 界面，现价 $2/千页（Batch $1/千页）（Mistral 公告、TechCrunch、Mistral OCR 3、Mistral 定价）。 - 2025-03-14 SmolDocling（IBM×Hugging Face）：仅 256M 参数的端到端 VLM，输出 DoclingTags 通用标记，一次前向完成 OCR＋版面＋抽取（ICCV 2025）；2025-09 升级为 Granite-Docling-258M（arXiv:2503.11576、HF 模型页、IBM 公告）。
- 小模型军备竞赛：2025-04 MonkeyOCR（HUST）；2025-07 dots.ocr（小红书 rednote）；2025-09 MinerU2.5（1.2B，arXiv:2509.22186，发布时在 OmniDocBench 上超过 Gemini 2.5 Pro 等通用大模型，ACL 2026 Industry track）；2025-10-16 PaddleOCR-VL（百度，0.9B，arXiv:2510.14528，109 种语言；其 1.5 版在 OmniDocBench v1.5 报 94.5 分，arXiv:2601.21957）；2025-10 DeepSeek-OCR（arXiv:2510.18234）提出"上下文光学压缩"——把长文本压成约少 10 倍的视觉 token，把"解析"重新定义为"压缩"（MinerU2.5、MonkeyOCR、PaddleOCR-VL、PaddleOCR-VL-1.5、DeepSeek-OCR）。Surya OCR 2（Datalab，650M 参数）在 olmOCR-bench 报 83.3%、91 语种评测 87.2%（datalab-to/surya）。
- 2026 年新变量：2026-02 LlamaIndex 发文称 OmniDocBench 已饱和，并报 GLM-OCR 94.6 分为新 SOTA（超过 Gemini 3 Pro 的 90.3 与 GPT-5.2；分数为该博客转述，未经原始榜单核对——但与 GLM-OCR 官方仓库自述的 OmniDocBench V1.5 94.62 分一致；GLM-OCR 为智谱 2026-02 开源的 0.9B 端到端文档 VLM，代码 Apache-2.0、模型权重 MIT）；HTML 侧出现号称最大的开放网页内容抽取基准 WCXB（arXiv:2605.21097）与 Rust 重写的 rs-trafilatura（F1 比 Python 原版高约 6 个点，针对 Sphinx/Rustdoc/MDN 等文档框架做页型感知抽取）（LlamaIndex 博客、WCXB 论文、rs-trafilatura 博文）。
失败模式的重心迁移：从"抽不出来"转向"抽出来但不可信"——幻觉、漏抽、顺序错乱、表格结构失真。此阶段完整的失败模式清单：VLM 视觉抽取幻觉；多栏/跨页阅读顺序错乱；公式与表格还原残缺；扫描件噪声；HTML 侧 JS 渲染页面抓不到正文；DOCX 修订记录/批注/文本框在"扁平化为 Markdown"时被静默丢弃；EPUB 的 DRM 使合法抽取本身不可行。值得注意的是，各格式的结构性缺陷（PDF 无语义、HTML 依赖渲染、DOCX 样式语义、EPUB DRM/碎片化）依旧原样存在，只是被更强的模型部分掩盖而非根治。
剪刀差：格式侧趋于稳定——EPUB 3.3 于 2023 年成为 W3C Recommendation 并纳入 ISO/IEC 23736（W3C EPUB 3.3）；PDF 2.0（ISO 32000-2:2017，History of PDF – Wikipedia）之后无破坏性演进；DOCX 实践中仍以 Transitional 为主。格式层"冻结"、解析层"爆炸"的剪刀差是这一阶段的典型景观。
1.5 四种格式失败模式的演化对照
| 格式 | 先天缺陷（出生自带） | 规则/深度学习时代（2010s–2022） | LLM 时代新失败模式（2023–） |
|---|---|---|---|
| 坐标＋字形指令，无语义、无阅读顺序 | 双栏错序、ligature/断词、页眉页脚、表格图片化、扫描件 OCR 噪声 | VLM 幻觉（编造文字）、公式还原失真、跨页表格断裂 | |
| HTML | 表现与内容混杂、tag soup、无强制语义 | boilerplate（导航/广告/推荐位）、JS 动态渲染、编码陷阱 | Reader 服务化后质量取决于转换模型（Reader-LM 类）；正文/评论/页脚边界误判 |
| DOCX | 样式 ≠ 语义；前身 .doc 为封闭二进制 | OOXML Transitional/Strict 碎片化、修订与批注处理分歧、文本框/域代码丢失 | 统一转换器（MarkItDown 等）把 DOCX 当次等公民，复杂结构与脚注静默降级 |
| EPUB | 容器/包/内容三层元数据复杂性 | 阅读器碎片化、spine 与 TOC 不一致、EPUB2/3 混存 | DRM 使合法抽取不可行；出版商非标准标记导致同版本书解析结果不一 |
二、横轴：横向对比——2026 年 11 月的时间截面
2.1 六条技术路线与竞争格局总览
"文档解析"要解决的是同一个问题：把人读的文件变成机器可读、可检索、可喂给大模型的结构化文本。四种主角并不是四个并列的工具，而是四种"结构信息保留程度"完全不同的载体，它们各自拉出了独立的工具市场，并在这个问题上互相构成竞品：HTML 和 EPUB 是"富语义、好解析"的对照组，DOCX 是"半结构化"的中间态，PDF 是"只存视觉、结构全靠猜"的最大难点市场——也正是过去三年文档解析赛道资本与开源火力最密集的地方。当下共有六条技术路线：
- 路线 A｜格式原生解析：HTML 用 lxml/BeautifulSoup/trafilatura 直接解析 DOM；EPUB 本质是"打包的 XHTML"，解压后套用 HTML 工具链；DOCX 是"打包的 OOXML"，用 python-docx/mammoth/Pandoc 读样式与正文。结构信息是文件自带的，抽取几乎零边际成本。
- 路线 B｜传统 PDF 解析库：pdfminer.six、PyMuPDF、pdfplumber、pypdfium 等，从 PDF 的文本对象坐标反推文本流。学术基准研究（arXiv 2410.09871）的结论是：纯文本抽取 PyMuPDF 与 pypdfium 领先，表格抽取 pdfplumber 最强（A Comparative Study of PDF Parsing Tools）；速度上 PyMuPDF 比 pdfminer.six 快一个到两个数量级（PyMuPDF 官方对比、pdfplumber GitHub）。
- 路线 C｜开源端到端转换管线：MinerU（OpenDataLab）、Marker（Datalab）、Docling（IBM）、Unstructured、新入局者 OpenDataLoader——输入 PDF（多数也收 DOCX/HTML/PPTX），输出 Markdown/JSON，内置版面分析、表格识别、公式 OCR。社区共识的分工是：MinerU 精度最强、Marker 批量吞吐最好、Docling 格式覆盖最广且许可证最宽松（MIT）（Docling vs Marker vs MinerU 对比）。
- 路线 D｜云端解析 API：Azure Document Intelligence、AWS Textract、Google Document AI、LlamaParse（LlamaIndex）、Reducto、Mistral OCR。按页计费，把 OCR、版面、表格、阅读顺序打包成托管服务。
- 路线 E｜通用多模态大模型直读：Gemini（原生视觉读 PDF，1M+ token 上下文约可一次吞 1500 页）、GPT、Claude 等，跳过"解析"中间产物，直接对原始文件提问或整体转写（Gemini API 文档处理、Gemini 长上下文）。这是对"专用解析器"最根本的替代威胁。
- 路线 F｜专用文档 VLM：2025 年下半年崛起的小参数量端到端文档视觉模型（MinerU2.5、PaddleOCR-VL、GLM-OCR、DeepSeek-OCR 等），单个模型完成"页面图像 → Markdown/JSON"。它们既是路线 C 各管线的精度引擎，也是路线 E 的低成本竞争者——专用小模型打批量与成本，通用大模型打理解上限（两条路线的拉锯详见 2.3 节）。
总览表（2026-11 截面）：
| 技术路线 | 代表方案 | 能力上限 | 边际成本 | 生态成熟度 | 典型场景 |
|---|---|---|---|---|---|
| A 格式原生解析 | trafilatura、ebooklib、python-docx、Pandoc | 结构由格式保证，上限高 | ≈0（纯 CPU） | 极成熟、碎片化 | 网页抓取、电子书、Office 文档入库 |
| B 传统 PDF 库 | PyMuPDF、pdfplumber、pdfminer.six | 原生文本 PDF 可用，扫描件无能为力 | ≈0（纯 CPU） | 成熟 | 批量原生 PDF 的轻量抽取 |
| C 开源端到端管线 | MinerU、Marker、Docling、Unstructured | 版面/表格/公式全要素，接近生产可用 | GPU 推理或强 CPU | 快速成熟中 | 私有化部署、大规模语料建设 |
| D 云端解析 API | Azure DI、Reducto、LlamaParse、Mistral OCR | 托管 SOTA 管线，含 agentic 抽取 | $0.0015–0.075/页 | 生产级 SLA | 企业 RAG、金融/政务文档 |
| E 通用 VLM 直读 | Gemini、GPT、Claude | 理解力最强，无结构化输出保证 | 按 token 计价，不可控 | 成熟但贵 | 单份长文档问答、低量级高价值任务 |
| F 专用文档 VLM | MinerU2.5、PaddleOCR-VL、GLM-OCR | 干净基准精度超通用大模型；退化输入鲁棒性塌方 | 自建 GPU 推理（0.9–1.2B 级） | 2025 下半年快速崛起 | 大规模干净文档语料、私有化批量解析 |
2.2 四种格式核心对比：结构存量决定失败模式
格式之间的差距，本质是"结构信息在文件里存了多少"。MDPI 2026 年的同行评审论文一针见血："与 HTML 或 Markdown 不同，PDF 格式聚焦视觉呈现，而较少关注文本序列、段落和层级结构"，这直接劣化了 RAG 分块质量（From PDF to RAG-Ready: Evaluating Document Formats）。
核心对比表：
| 维度 | HTML | EPUB | DOCX | |
|---|---|---|---|---|
| 结构语义显式度 | 高（DOM 标签即语义） | 高（XHTML＋语义标签） | 中高（样式系统间接表达） | 无（只有坐标与字形） |
| 阅读顺序保真 | 由 DOM 顺序保证 | 由 spine 顺序保证 | 由 XML 文档流保证 | 需算法重建，双栏/跨页常错 |
| 表格 | HTML 表格天然结构化 | 继承 HTML 表格 | OOXML 表格结构完整，合并单元格是坑 | 全靠检测模型，是主要失败源 |
| 公式 | 需 MathML/KaTeX 约定 | 同 HTML | OMML，工具支持参差 | 渲染成图像/字形，需专用 OCR |
| 文本层可靠性 | 无此问题 | 无此问题 | 无此问题 | 扫描件无文本层，需 OCR |
| 典型失败模式 | 模板噪音/广告/懒加载/编码 | DRM、断章、编码、图片相对路径 | 修订跟踪、样式依赖、域代码、批注丢失 | 阅读顺序、跨页表格、页眉页脚、公式、扫描件 |
| 解析成本 | ≈0 | ≈0 | ≈0 | 原生件≈0，扫描件 $0.0015–0.075/页 |
HTML——竞争最成熟的原生路线，但输给"网页本身很脏"。 HTML 的结构是显式的，难点不在解析而在样板噪音剥离（导航、广告、页脚、"相关推荐"）。trafilatura 官方评测显示其在文本抽取上持续领先 boilerpy3、jusText、readability、go-readability 等开源同类（trafilatura 评测页）；2026 年新基准 WCXB 号称是最大的开放网页内容抽取基准，覆盖多类页面形态（WCXB 论文），其作者还发布了 Rust 重写的 rs-trafilatura，F1 比 Python 原版高约 6 个点（rs-trafilatura 博文）。HTML 路线的独特风险是内容会变：反爬、懒加载、前端框架重渲染，这使它与浏览器自动化路线（Playwright/无头浏览器）存在竞争交集。
EPUB——被严重低估的"最优输入格式"，但生态工具最老化。 无 DRM 的 EPUB 本质是"改了后缀的 ZIP"，内含按 spine 排序的 XHTML 文档，解压后用 BeautifulSoup 即可按逻辑阅读顺序抽取（EPUB 抽取实操）。在"抽取质量/失败模式"这把尺子上，EPUB 是四种格式里失败模式最少的：阅读顺序、层级、元数据全部显式。短板在生态：事实标准库 EbookLib（约 1.8k stars，支持 EPUB2/EPUB3）为 AGPL-3.0 许可证，且用户报告存在 Unicode 与图片处理的边角问题（EbookLib GitHub）；DRM 保护的 EPUB 则是法律与工程的双重禁区，开源工具一律不碰。
DOCX——半结构化的"中间态"，失败模式集中在修订与保真。 DOCX 的 XML 文档流保证了阅读顺序，样式系统携带层级语义，但三大失败模式有据可查：① 修订跟踪（track changes）——python-docx 从 2016 年起就有未解决的 issue，需要手工解析 w:ins/w:del XML 或改用 docx-revisions（python-docx issue #340、docx-revisions）；② 表格保真——mammoth 走"语义 HTML"路线时有意丢弃表格尺寸、样式与合并单元格（Stack Overflow 讨论），且不支持分页概念（mammoth #178、#381）；③ 工具分化——Pandoc 凭 --track-changes=accept|reject|all 原生处理修订、表格支持最强，第三方对比一致推荐 DOCX→Markdown 首选 Pandoc（Pandoc vs Mammoth 对比、mdisbetter 评测）。
PDF——唯一"没有原生结构"的格式，也是竞争最激烈的市场。 PDF 的所有失败模式（阅读顺序、双栏、跨页表格、页眉页脚污染、公式、扫描件）都源于同一个根因：文件里只有"在哪画什么字"，没有"这些字怎么读"。这正是纵轴上四次范式转移反复攻坚的对象，其阵营内部的竞争见下节。
2.3 PDF 阵营的内部竞争
PDF 是四种格式中唯一需要"感知＋推理"的市场，2024–2026 年间的竞争集中在三条路线上——沿用 2.1 节的编号，即路线 C（开源端到端管线）、路线 D（云端解析 API）与 2025 年下半年新增的路线 F（专用文档 VLM）。
路线 C｜开源端到端管线（自建 GPU 路线）
| 方案 | 许可证（代码/权重） | 定位与短板 | 来源 |
|---|---|---|---|
| Docling（IBM） | MIT / MIT（Granite-Docling） | 格式覆盖最广、商用最安全；精度居中 | Docling 论文、Particula 许可证深评 |
| Marker（Datalab） | GPL-3.0 / RAIL-M（年收入超 $2M 需商业授权） | 批量吞吐最快；许可证是商用硬约束 | 同上 |
| MinerU（OpenDataLab） | 工具链自定义 / AGPL-3.0；依赖 PyMuPDF（AGPL） | OmniDocBench 历史精度标杆；SaaS 商用需法务审查 | 同上 |
| Unstructured | Apache-2.0 / 托管平台另计 | 格式覆盖广（60+），开源库与商业平台双轨 | vstorm 盘点 |
| OpenDataLoader | 新入局者 | 第三方基准称其排名超过 Docling/Marker/MinerU/Unstructured（未经复测） | EulerAI 基准 |
路线 D｜云端解析 API（托管路线）——AWS Textract、Google Document AI 与 Azure DI 同属"大厂托管 OCR＋结构化抽取"梯队（前两者的现行单价未逐一核实，已核实定价见 2.4 节），定价即定位。
路线 F｜专用文档 VLM（新范式）——2025 年下半年起，小参数量端到端文档 VLM 接管了精度榜首。"榜单分"与"鲁棒性"是两把不同的尺子，分列两张表，口径逐格注明、互不可比：
表 1：榜单分（OmniDocBench 系，逐格注口径）
| 模型 | 参数量 | 出品方/许可证 | 分数 | 口径与来源 |
|---|---|---|---|---|
| GLM-OCR | 0.9B | 智谱（zai-org），代码 Apache-2.0 / 模型权重 MIT | 94.6（新 SOTA，超 Gemini 3 Pro 与 GPT-5.2） | OmniDocBench V1.5；LlamaIndex 博客（2026-02）转述，与其官方仓库自述的 94.62 一致 |
| PaddleOCR-VL-1.5 | 0.9B | 百度 | 94.5 | OmniDocBench v1.5，论文口径 |
| MinerU2.5 | 1.2B | OpenDataLab | 发布时称超过 Gemini 2.5 Pro 等通用大模型（具体分数见其论文，本报告未转录） | OmniDocBench v1 口径（2025-09），论文 |
| Gemini 3 Pro | 未公开（闭源） | 90.3（前沿实验室最佳） | LlamaIndex 博客（2026-02）转述，基准版本未注明 | |
| DeepSeek-OCR（Gundam） | 未核实 | DeepSeek | 已被 PaddleOCR-VL 团队录入 OmniDocBench v1.5 榜单（具体分数本报告未记录） | HF 讨论 |
表 2：鲁棒性（Docsumo 退化测试，干净 → 退化对值；与表 1 口径不可比）
| 模型 | 干净文档 | 退化文档 | 来源 |
|---|---|---|---|
| PaddleOCR-VL（前代） | 91.93 | 72.19 | Docsumo 评测 |
| MinerU2.5 | 90.67 | 70.91 | Docsumo 评测 |
两组数字需要按时间口径理解：MinerU2.5 发布时（2025-09，OmniDocBench v1 口径）的卖点是"超过 Gemini 2.5 Pro 等通用大模型"；到 2026-02，前沿基线已换成 Gemini 3 Pro（90.3），榜首则由 GLM-OCR（94.6）占据——并非数据矛盾，而是基线本身在半年内换了两代；另注意 v1 与 v1.5 口径的分数不可直接互比，故表 1 逐格注明口径。
Roboflow 的横向观察点破了这轮竞争的本质：0.9B 的专用模型在 OmniDocBench 上击败了 235B 参数的通用 VLM——经核对 Roboflow 原文，所指为 Qwen3-VL-235B（89.78 分，被 0.9B–1.2B 的专用模型以 95 分档超越；注意该文用的是 OmniDocBench v1.6 口径，与表 1 的 v1.5 分数不可互比）（Roboflow 开源 OCR 模型盘点）；olmOCR（AI2）则代表从模型到数据全开放迭代的另一条路线（olmOCR ACL 2026 Demo）。
但"榜首分数"与"生产质量"之间有一道鲁棒性鸿沟：Docsumo 的退化文档测试显示（表 2），PaddleOCR-VL 从 91.93 掉到 72.19，MinerU2.5 从 90.67 掉到 70.91（Docsumo）——真实世界的倾斜扫描、低分辨率传真件上，榜首模型的表现塌方。这是选择任何 VLM 解析方案前必须自建脏数据测试集的原因（最小可行流程见第三章末节）。
2.4 成本结构：格式选对了，钱就省了
云端 API 的公开定价：
| 服务 | 基础解析 | 高级版面/抽取 | 来源 |
|---|---|---|---|
| Azure DI Read（纯 OCR） | $1.50/千页（超 100 万页/月降至 $0.60/千页） | Layout/预置模型 $10/千页；自定义 ~$30/千页 | Azure 定价页 |
| Mistral OCR 3 | $2/千页（Batch $1/千页；初代曾为 $1/千页） | 标注抽取（Document AI）$3/千页；OCR 4（经 Azure AI Foundry）$4–5/千页 | Mistral 定价、定价文档、Azure Foundry Models 定价（Mistral） |
| LlamaParse | 标准 ~$0.003/页 | Premium ~$0.045–0.075/页；Auto 模式仅对复杂页升级以省约 80% | LlamaIndex 定价 |
| Reducto | $0.01/页（含表格） | Extract $0.02/页；Deep/Agentic ~$0.04/页 | Reducto 定价 |
| Gemini 直读 | 按 token 计价 | — | Gemini 文档处理 |
表中"OCR 4（经 Azure AI Foundry）"需要单独说明：OCR 4 是 Mistral 在 OCR 3（mistral-ocr-2512）之后的新一代模型，未出现在 Mistral 自有定价页，而是经 Azure AI Foundry 模型市场售卖——标准解析 $4/千页、Annotated $5/千页（Azure Foundry Models 定价（Mistral））；其发布时间与 OCR 3 的迭代关系未核实到一手公告，故不写入 1.4 时间线，仅按 Azure 定价页现行口径（2026-11）记录。
成本结构的横向结论有三层：第一层断崖在格式之间——HTML/EPUB/DOCX 原生解析是纯 CPU 的零边际成本，PDF 扫描件则要付出每千页 $1.5–75 的真金白银，所以"源头用什么格式交付"本身就是最大的成本决策；第二层断崖在 API 与自建之间——大规模语料（千万页级）下自建 0.9B 模型（PaddleOCR-VL）或 olmOCR 的 GPU 成本通常低于按页付费（盈亏平衡点取决于 GPU 利用率，未做实测）；第三层是"复杂度感知路由"正在成为行业默认——LlamaParse Auto 与 Reducto 的分档定价都在把便宜模型用在简单页上，这间接承认了"多数页面并不难"。
2.5 许可证：选型的第一道门槛
| 工具 | 代码许可证 | 权重/模型许可证 | 商用注意点 |
|---|---|---|---|
| Docling | MIT | MIT | 最宽松，无营收门槛 |
| Marker | GPL-3.0 | RAIL-M（$2M 营收阈值） | 超阈值企业需购买商业授权 |
| MinerU | 自定义工具链许可 | AGPL-3.0 | 网络服务需开源义务；PyMuPDF 依赖叠加 AGPL |
| Unstructured（库） | Apache-2.0 | — | 商业平台另行收费 |
| EbookLib | AGPL-3.0 | — | EPUB 生态事实标准，但 AGPL 对 SaaS 不友好 |
| PyMuPDF | AGPL-3.0 | — | 可用商业许可证替代，费用另计 |
| trafilatura | Apache-2.0 / LGPL 兼容（组件级，未逐一核实） | — | 社区默认可商用 |
| Pandoc | GPL-2.0+（二进制调用不受传染） | — | CLI 调用是安全的隔离模式 |
来源：Particula 代码与模型许可证深评、Roboflow 许可证对比、EbookLib GitHub。横向看，许可证已经从"法务 footnote"变成选型第一轮筛选条件：Docling 的 MIT 双许可（代码＋权重）正是它在大企业渗透率迅速上升的直接原因；而 MinerU 虽然基准上最强，AGPL 权重＋AGPL 依赖的组合让 SaaS 团队普遍绕行。
2.6 基准测试格局：一场正在爆发的评测权之争
OmniDocBench（CVPR 2025，OpenDataLab）是当前默认基准：v1 论文口径 1,651 页 PDF、覆盖学术论文/财报/教材/试卷等 9 类文档，带版面、文本、表格三层标注（OmniDocBench GitHub、论文 v2）。注意一个未能消除的口径差异：LlamaIndex 的批评文将同一基准描述为"约 1,355 页、9 类文档"，与 v1 论文的 1,651 页不一致——可能是评测子集或版本口径差异，本报告如实并注。
但它有两个公认的争议：其一，它与 MinerU 同出 OpenDataLab，社区因此讨论过基准中立性（HN 讨论）；其二，LlamaIndex 在 2026 年 2 月公开发难，称其已经饱和——偏重学术论文与文本/表格/公式，缺少财报演示、法律卷宗、保险单据、表单手写等真实形态；且固定编辑距离/TEDS/CDM 指标对"语义正确但字面不同"的输出判零分——他们给出了 LlamaParse 在公式表格上语义正确却只得 0.63 TEDS 的实例，并点名 OlmOCR-Bench、OCR-Bench v2 作为更难的真实世界替代基准（OmniDocBench is Saturated）。
横向解读这场评测权之争：OpenDataLab 用 OmniDocBench 把 MinerU 推上精度神坛；LlamaIndex 批评它的"精确匹配"逻辑，是在为语义保真路线（自己的产品）争夺话语权；Docsumo 的鲁棒性测试、CRKN 的低置信度词分析（OCR-Evaluations）、socOCRbench（社科文档含手写表格，评测页）则各自从垂直切口另立标准。对使用者的启示是：不要只用一个榜单选型，要用自己领域的脏数据自建评测。
三、交叉洞察：两轴合读说明了什么
1. 四种格式的竞争，本质是"结构信息存量"的竞争——纵轴的起点就是横轴的终局。 纵轴显示，四种格式在 1985–1999 年间为人类读者而生（打印、浏览、协作编辑、再排版阅读），无一为机器理解而生；横轴显示，三十多年后的工具市场结构完全由这一出生设定决定：EPUB/HTML 把结构写进文件，解析是工程问题；DOCX 半显式半隐式；PDF 把结构完全外包给视觉呈现，解析是感知问题。这解释了为什么 PDF 解析能养活一个从开源模型到云 API 的完整市场，而 EPUB 的专用第三方库近乎只有 AGPL 的 EbookLib 一个，实践中普遍退回通用 HTML 工具链（BeautifulSoup/Pandoc/calibre）——需求密度与结构存量共同决定了市场厚度。
2. 四次范式转移共用同一条驱动逻辑：谁在消费文档。 搜索引擎时代成就了 pdftotext/BeautifulSoup，数字图书馆与学术挖掘时代成就了 GROBID/Tabula，智能文档处理时代成就了 LayoutLM/云 IDP，RAG/Agent 时代则把"文档→Markdown"变成供应链基础设施，并最终催生了本课题的问题意识与公共评测设施。每一次消费者升级，都是对"格式原生语义不足"的再一次逼问；而格式的先天缺陷从未被根治，只是被每一次新范式部分掩盖。
3. 竞争焦点三年三级跳，鲁棒性鸿沟是最新一课。 2024 年竞"文本完整性"，2025 年竞"版面/表格/公式"（OmniDocBench 时代），2026 年竞"语义正确性＋鲁棒性"（LlamaIndex 对饱和基准的批评＋退化文档测试的流行）。纵轴记录的失败模式重心迁移（"抽不出来"→"抽出来但不可信"）与横轴的量化证据（干净文档 91.9 分 → 退化文档 72.2 分）在同一结论上会师：榜首分数 ≠ 生产质量。基准上 0.9B 打败 235B 参数通用模型（Qwen3-VL-235B）的故事，在脏数据面前要重新讲一遍。
4. 专用小模型 vs 前沿通用 VLM 的拉锯，真实分界是吞吐量而非精度。 0.9B 专用模型在干净基准上打赢 235B 参数的通用模型（Qwen3-VL-235B），但在退化输入上塌方；Gemini 们则靠长上下文把"解析"和"理解"合并成一步，且前沿基线半年换两代（Gemini 2.5 Pro → Gemini 3 Pro）。DeepSeek-OCR 甚至把"解析"重新定义为"压缩"。两条路线将长期共存：小模型管批量语料的成本与吞吐，通用模型管单份高价值文档的理解上限。
5. 评测权之争是纵轴与横轴的交汇点：同一基准的两副面孔。 纵轴把 2024-12 的 OmniDocBench 记录为"分水岭"——它让跨工具、跨方法的统一评测第一次成为可能；横轴记录了 2026 年对它的两面夹击——中立性质疑（与 MinerU 同出 OpenDataLab）与饱和性批评（精确匹配指标对语义正确输出判零分）。这不是矛盾，而是基础设施的成熟轨迹：先有公共基准，才有对公共基准的争夺。谁定义"正确"，谁就定义了市场。
6. 许可证成为比精度更早的筛选条件。 MIT（Docling）对 AGPL（MinerU/EbookLib/PyMuPDF）对 GPL＋RAIL-M（Marker），先砍掉一半候选名单，再谈分数。这也是纵轴上"开源公共品传统"（Tesseract、Poppler、GROBID）在商业时代的新变体：许可证不再是法务 footnote，而是生态战略与市场准入。
对用户的判断与建议
最大的省钱与质量决策在格式层而不是解析器层。 能拿到 EPUB/DOCX/HTML 就不要拿 PDF；能拿到原生 PDF 就不要拿扫描件。解析器的军备竞赛，本质上是在为"格式选错"的下游买单（MDPI 论文、Markdown for RAG）。
场景决策矩阵（2026-11 版）：
| 场景 | 首选路线 | 备选 | 决策理由 |
|---|---|---|---|
| 能控制源头的知识库建设 | 让上游交 EPUB/DOCX/HTML，转 Markdown 入库 | — | 结构自带，零解析成本 |
| 网页/在线文档语料 | trafilatura（或 rs-trafilatura） | Jina Reader、Readability 系 | 样板剥离精度领先（trafilatura 评测） |
| 大规模干净扫描件/原生学术 PDF 语料 | 自建 PaddleOCR-VL / MinerU2.5 / olmOCR | Docling | GPU 摊薄成本，0.9B 模型在干净输入上已够用（Roboflow）；倾斜/低分辨率等退化件见下行 |
| 企业 RAG、量小价高文档 | Azure DI / Reducto / LlamaParse | Docling 私有化 | 托管 SLA＋复杂度路由（Reducto 指南） |
| 金融/政务高合规 | 私有化 Docling 或商用授权 Marker | Azure DI 专属部署 | 许可证与数据出境约束 |
| 电子书/长篇阅读入库 | EPUB 直解（zip＋BeautifulSoup） | Calibre 转换 | 失败模式最少的输入格式 |
| 单份高价值长文档问答 | Gemini 直读（1M 上下文） | Claude/GPT 直读 | 跳过解析中间损耗（Gemini 文档） |
| 退化件：手写/表单/盖章/倾斜扫描/低分辨率传真 | 云端 agentic 抽取（Reducto Deep） | 先人工预处理再走开源小模型 | 开源小模型在退化输入上鲁棒性塌方（Docsumo） |
上表"干净"与"退化件"两行的分流标准是输入图像质量而非文档数量：文本层完整的原生 PDF、图像清晰无倾斜的扫描件走自建小模型；倾斜、低分辨率、手写、盖章、传真件走云端 agentic 或人工预处理——分界依据是 2.3 节的鲁棒性鸿沟（干净 → 退化普遍下跌约 20 分）。
三条元规则收尾：① 先筛许可证，再比分数；② 不要只用一个榜单选型，用自己领域的脏数据自建评测（最小可行流程见下节）；③ 结论以半年为周期滚动更新——本课题横跨的赛道里，前沿基线半年换两代、基准一年内从分水岭变成"饱和"，任何静态结论的有效期都不会更长。本课题（四格式抽取质量与失败模式对比）恰好覆盖路线 A 的输入端（HTML/DOCX/EPUB 原生解析）与 B/C/D/E/F 路线共同的输入端（PDF），是所有路线的"元问题"——失败模式清单（阅读顺序、修订跟踪、样板噪音、DRM、扫描件）本身就是各家产品 README 里的 roadmap。
自建脏数据评测的最小可行流程
元规则②落在操作上是四步：
- 抽样（200–500 页）：从自己的真实业务里抽 200–500 页文档，按文档类型配比抽样（如论文 30%、财报 20%、表单 20%、扫描合同 15%、手写/批注 15%）——不要用模型厂商的样例页，它们的"干净程度"与你的真实数据不具可比性。
- 分层（对齐 1.5 节失败模式清单）：把样本按失败模式分层覆盖——双栏/多栏、跨页表格、公式、页眉页脚污染、扫描倾斜、低分辨率、手写、盖章、修订/批注（DOCX）、DRM（EPUB）；每层至少 20–30 页，保证"干净层"与"退化层"可分开计分。
- 指标（复用公共基准口径）：文本用编辑距离/归一化字符准确率，表格用 TEDS，公式用 CDM，阅读顺序用顺序准确率——与 OmniDocBench 同口径，便于把自建分数与榜单分对照；再加 5–10% 的人工抽检，专门核对"语义对但字面不同"被机械判零分的样本（即 2.6 节 LlamaIndex 指出的 TEDS/编辑距离盲区）。
- 对齐与决策：先让候选解析器在同一公开基准（如 OmniDocBench 公开子集）上跑通并校准复现性，再跑自建集，报告"干净层分 − 退化层分"的落差；落差达到两位数（Docsumo 退化测试的塌方量级为 91.9 → 72.2）即触发上文决策矩阵的分流——干净场景用开源小模型，退化场景上云端 agentic 或人工预处理。
本节是最小可行起点；更完整的评测方法论（标注规范、统计显著性、回归测试）超出本报告范围，另文展开。
四、参考来源
格式标准与历史：Adobe PDF 时间线 · History of PDF – Wikipedia · ISO 32000-1:2008 全文（Adobe 镜像） · PDF Association：ISO 32000-1 · LoC fdd000277（PDF） · Office Open XML – Wikipedia · ECMA-376 官方页 · LoC fdd000397（DOCX） · W3C EPUB 3 Overview · IDPF EPUB 3.0 Changes · LoC fdd000310（EPUB） · EDRLab：Open standards – EPUB · W3C HTML5 REC（2014） · WHATWG HTML Living Standard
解析工具与模型（早期）：xpdfreader.com/about · glyphandcog.com 开源页 · Poppler fork 宣告（2005） · Tesseract – Wikipedia · Tesseract GitHub · Tesseract 社区 · Google 博客：Tesseract 赞助 · Ray Smith 论文（Google Research） · GROBID 文档 · grobid.org：What is GROBID · GROBID/INRIA 论文（HAL）
HTML 正文抽取：trafilatura 评测文档 · chuniversiteit 算法对比 · OSTI 独立评测 · WCXB 论文（2026） · rs-trafilatura 博文
2023–2024 管线：Nougat arXiv:2308.13418 · Nougat 项目页 · Nougat GitHub · Surya GitHub · Datalab blog：Marker 2 · marker-pdf PyPI · LlamaParse 发布报道 · LlamaParse 产品页 · Jina Reader · jina-ai/reader GitHub · MinerU GitHub · MinerU 论文 arXiv:2409.18839 · PDF-Extract-Kit · GOT-OCR 2.0 arXiv:2409.01704 · GOT-OCR2.0 GitHub · Docling GitHub · IBM Docling 公告 · Docling 论文 arXiv:2501.17887 · MarkItDown GitHub · unstructured.io 起源博客 · 12 款工具横评（2024-12）
文档理解模型与云服务（2019–2022）：LayoutLM arXiv:1912.13318 · LayoutLM KDD 2020 版 · LayoutLMv2 ACL 2021 · LayoutLMv3 arXiv:2204.08387 · Textract 发布报道（Forbes） · Textract 文档
统一基准与 2025–2026 竞赛：OmniDocBench arXiv:2412.07626 · OmniDocBench 论文 v2 · OmniDocBench GitHub · OmniDocBench CVPR 2025 版 · olmOCR 博客（Ai2） · olmOCR ACL 2026 Demo · Mistral OCR 公告 · Mistral OCR 3 · Mistral OCR TechCrunch 报道 · SmolDocling arXiv:2503.11576 · SmolDocling HF 模型页 · Granite-Docling 公告 · MinerU2.5 arXiv:2509.22186 · MonkeyOCR GitHub · PaddleOCR-VL arXiv:2510.14528 · PaddleOCR-VL-1.5 arXiv:2601.21957 · DeepSeek-OCR arXiv:2510.18234 · PaddleOCR-VL HF 讨论（DeepSeek-OCR 入榜） · GLM-OCR 官方仓库（智谱，0.9B，代码 Apache-2.0 / 权重 MIT）
横向对比与选型：A Comparative Study of PDF Parsing Tools（arXiv 2410.09871） · PyMuPDF 官方对比 · pdfplumber GitHub · Docling vs Marker vs MinerU 对比（Medium） · Particula 代码与模型许可证深评 · vstorm：解析服务盘点 · EulerAI 基准（OpenDataLoader） · Roboflow 开源 OCR 模型盘点 · Docsumo OCR 模型评测（鲁棒性） · MDPI：From PDF to RAG-Ready · Markdown for RAG 指南 · Reducto 选型指南 · Gemini API 文档处理 · Gemini 长上下文
成本与许可证官方页：Azure Document Intelligence 定价 · Mistral 定价 · Mistral 定价文档 · LlamaIndex 定价 · Reducto 定价 · Azure Foundry Models 定价（Mistral AI，OCR 4 售卖渠道） · EbookLib GitHub（AGPL-3.0）
DOCX 工具链：python-docx issue #340（修订跟踪） · docx-revisions PyPI · mammoth 表格讨论（Stack Overflow） · mammoth issue #178 · mammoth issue #381 · Pandoc vs Mammoth 对比 · mdisbetter 评测
EPUB 抽取：EPUB 抽取实操（Medium）
基准之争与垂直评测：OmniDocBench is Saturated（LlamaIndex 博客，2026-02） · HN 中立性讨论 · CRKN OCR-Evaluations · socOCRbench 评测页
证据边界与未决事项
- OmniDocBench 页数口径：v1 论文 1,651 页 vs LlamaIndex 批评文转述约 1,355 页，两者不一致且未能消除（可能为评测子集或版本口径差异），正文已如实并注。
- MinerU 首次开源的确切月份：纵轴章节检索只能确认论文为 2024 年 9 月（arXiv:2409.18839）及 2024 年内密集发版（如 2024-09-09 的 v0.8.0），首次公开日期未回溯到一手发布页，正文按"2024 年"表述。
- pdfminer、BeautifulSoup、Pandoc、calibre、PDFBox 的年份：来自广泛的技术史共识，未逐一回溯一手发布记录，仅供定位参考。
- GPT-4V 文档幻觉的定量研究、PyMuPDF4LLM 等商业/非开源线的时间线未单独核实，正文未给出具体日期。
- MonkeyOCR v2（2026，0.7B）的 SOTA 声明仅来自其 GitHub 仓库自述，未经第三方评测交叉验证。
- GLM-OCR：出品方（智谱/zai-org）、参数量（0.9B）、许可证（代码 Apache-2.0、模型权重 MIT）与 OmniDocBench V1.5 自述分数（94.62）已通过其 GitHub 官方仓库核实（2026-11-04）；LlamaIndex 博客转述的 94.6 分仍未直接核对原始榜单。
- Mistral OCR 4 的发布时间未核实到一手公告，其"经 Azure AI Foundry 售卖、$4–5/千页"的定价取自 Azure 定价页现行口径（2026-11），与 Mistral 自有定价页的时间线相互独立，正文已按此注明。
- Qwen3-VL-235B 的 89.78 分来自 Roboflow 盘点文转述（OmniDocBench v1.6 口径），未直接核对原始榜单。
- OpenDataLoader 的"排名第一"仅来自第三方博客基准（EulerAI），本会话未复测，其许可证细节未核实。
- trafilatura 的确切许可证组件构成（Apache-2.0 主体＋LGPL 组件）未逐一核实，表中已标注；EbookLib 的 AGPL-3.0 经抓取其 GitHub 仓库页核实（原正文中的核实过程注释已归档至本节）。
- AWS Textract、Google Document AI 的现行单价未单独核实，仅作定性提及；LlamaParse Premium 定价存在区间（$0.045–0.075/页），因其积分制历史上多次调整，以官方页实时为准。
- 自建 GPU 与云 API 的盈亏平衡点未做实测，相关表述为方向性判断；Docsumo 鲁棒性测试所用退化集的具体构成未见完整披露，横向可比性有限。
- olmOCR、DeepSeek-OCR-2 的参数量与开源条款未逐一核实；Claude/GPT 的原生文件理解能力细节未在检索中核实，路线 E 的对比以 Gemini 为主依据。
- PaddleOCR-VL 1.5 的 94.5 分：纵轴章节原为检索转述、建议以 arXiv 为准；横轴章节已补 arXiv:2601.21957 论文链接，本报告采用论文口径，但未逐页核对论文原文。
- 2026 年 1 月至 11 月的最新动态覆盖有限，若有 2026 年中的重大发布（新基准、新模型）未列入，属检索覆盖范围所致，非有意遗漏。