marker——快速精准的将PDF转Markdown

有些时候，我们需要将PDF转换成Markdown格式，但是通常情况下是无法直接转的。一般来说，我们需要先将PDF文档先OCR识别一下，然后再转换成markdown。需要注意的是，由于 PDF 格式的复杂性和多样性，有一些特殊的符号以及公式 往往在处理的时候会出问题。

今天要介绍的项目是marker，就可以很好的解决这个问题，marker是一款基于深度学习模型的将PDF转换成Markdown格式的工具。官方github地址如下：https://github.com/VikParuchuri/marker 。目前已经拥有9.2k star。

marker的原理是利于深度学习模型，检测页面布局，阅读顺序，然后格式化文本块并且对完整的文本再进行处理。这里说一下marker的特点：

• 支持广泛的文档(针对书籍和科学论文进行了优化，对于一些复杂的公式有更好的支持) 支持多种语言转换。
• 可以删除页眉、页脚以及其他页面元素。
• 能够格式化表格和代码块，保持排版整齐。
• 可以提取并保存 PDF 中的图像。
• 支持 GPU、CPU 或者 MPS（多处理器系统）进行转换，以满足不同硬件环境下的需求。 这里说来说一下marker的安装方法

1. 安装Python，需要注意的需要安装的Python版本必须大于等于3.9
2. 然后安装 Pytorch ，执行命令 pip3 install torch torchvision
3. 然后安装marker 。执行命令 pip3 install marker-pdf

更详细的使用文档，可以参考github上的文档：https://github.com/VikParuchuri/marker?tab=readme-ov-file 。另外文档上也提供了marker 和nougat 的对比测试结果 创作不易，如果您觉得这篇文章对你有帮助，不妨给我点个赞，这将是我继续分享优质内容的动力。