Лучшие PDF Parser в 2026: рейтинг Docling, MinerU, LlamaParse и Marker

В 2026 году почти каждое AI-приложение «потребляет» PDF: продуктовые мануалы в базу знаний, статьи для RAG, поиск по договорам, автосаммари документации Flutter/iOS. Но то, что выдаёт pdftotext, — часто бессмысленные фрагменты: две колонки сливаются в одну, таблицы превращаются в кашу, формулы — в «□□□».

Docling, MinerU, LlamaParse и Marker — четыре PDF Parser, о которых разработчики говорят чаще всего. Это не простые конвертеры «PDF → TXT», а полноценные пайплайны с анализом вёрстки, структурированием таблиц, OCR и экспортом в Markdown — и именно они задают потолок качества ваших RAG-chunks.

Этот материал даёт рейтинг 2026 года и матрицу выбора по реальному RAG-опыту, плюс заметки по деплою на Apple Silicon и Cloud Mac.

1. Почему парсинг PDF задаёт потолок RAG

Какой бы мощной ни была векторная выдача, она не спасёт плохие chunks. Типичные провалы:

• Двухколоночные статьи: последнее предложение левой колонки склеивается с первым правой — смысл полностью рвётся
• Вложенные таблицы: финансовый отчёт превращается в строку «выручка 2024 рост 15% APAC 32%»
• Сканированные договоры: без OCR-слоя поиск пустой
• Подписи к рисункам: caption отрывается от текста — Agent цитирует не то

В 2026 году конкуренция PDF Parser сместилась от вопроса «можно ли вытащить текст» к качеству структурированного вывода: сохраняет ли Markdown иерархию заголовков, экспортируются ли таблицы в HTML/CSV, становятся ли формулы LaTeX, корректен ли порядок чтения в многоколоночной вёрстке.

2. Ключевые концепции: критерии оценки и архитектура пайплайна

Пять критериев оценки

1. Восстановление вёрстки (Layout): многоколоночность, колонтитулы, порядок чтения подписей к рисункам
2. Структурирование таблиц (Tables): сложные объединённые ячейки, таблицы через страницы
3. Формулы и диаграммы (STEM): вывод LaTeX/MathML, связь с подписями
4. OCR: сканы, фото-PDF, низкокачественные копии
5. Инженерная интеграция: CLI, Python SDK, Docker, стоимость подключения к LangChain/LlamaIndex

Типичный пайплайн парсинга

Реализации различаются, но логика у четырёх инструментов схожа:

PDF → детекция вёрстки → классификация зон (текст/таблица/рисунок/формула)
    → OCR / извлечение текста по зонам → сортировка порядка чтения
    → структурная сборка → Markdown / JSON / HTML

Различия: Docling — единый корпоративный мультиформат; MinerU — академический китайский + формулы; Marker — быстрая массовая конвертация MD на английском; LlamaParse — управляемый API + нативная интеграция LlamaIndex.

3. Общий рейтинг 2026

Логика рейтинга: не один benchmark, а «с чего начать RAG завтра — что проще, контролируемее и дешевле». LlamaParse по качеству часто в топ-3, но закрытый, постраничный и с выносом данных — поэтому четвёртое место в общем зачёте; для отдельных сценариев он отличный выбор.

4. #1 Docling — корпоративный open source по умолчанию

Docling от IBM Research в 2025–2026 стал одним из дефолтов RAG-сообщества. Ключевые плюсы:

• Единый мультиформат: PDF, DOCX, PPTX, HTML, изображения — один API
• Структурированный экспорт: Markdown, JSON (bbox, метки, структура таблиц)
• Таблицы и порядок чтения: модель TableFormer, сложные таблицы лучше наивного OCR
• Интеграции: официальные примеры для LangChain, LlamaIndex, Haystack
• Локально / air-gapped: финансы, медицина — данные не покидают периметр

Минусы: китайская вёрстка и математика уступают MinerU; первый запуск тянет веса моделей (несколько ГБ).

5. #2 MinerU — король китайских статей и формул

MinerU (ранее Magic-PDF) из экосистемы OpenDataLab / Shanghai AI Lab — эталон для китайской академической среды:

• Формулы: вывод LaTeX — вопросы «что означает формула (3)» не теряют контекст
• Двухколоночная вёрстка: журналы и диссертации — высокая точность порядка чтения
• Полный OCR-пайплайн: сканы и ксерокопии без предобработки
• Извлечение рисунков: картинки и caption раздельно — удобно для мультимодального RAG

Минусы: PyTorch, GPU заметно ускоряет; на англоязычных коммерческих мануалах иногда мешают колонтитулы; MinerU 2.x с множеством опций — порог входа выше.

6. #3 Marker — пакетная конвертация длинных английских текстов в MD

Marker от Vik Paruchuri — чёткая цель: быстро получить чистый Markdown из PDF.

• Скорость: книги, статьи, техотчёты — эффективный пакетный режим
• Качество Markdown: заголовки, списки, code blocks сохраняются хорошо
• Расширяемость: опциональная LLM-постобработка переносов и дефисов
• Чисто локально: без API Key, подходит для offline

Минусы: сложные китайские таблицы и формулы слабее MinerU; журнальная вёрстка иногда требует ручной вычитки; быстрые major-релизы — фиксируйте зависимости.

7. #4 LlamaParse — managed API из коробки

LlamaParse — облачный сервис парсинга от LlamaIndex:

• Нулевой ops: загрузили PDF — получили Markdown/JSON, стык с VectorStoreIndex без клея
• Сложная вёрстка: многоколоночность, вложенные таблицы, подписи к рисункам
• Мультимодальные опции: описания графиков для multimodal RAG
• Постраничная оплата: прототип без покупки GPU

Минусы: данные уходят в облако, постоянные расходы, vendor lock-in; на больших объёмах цена за страницу ощутима; offline и строгий compliance — не вариант.

8. Матрица сравнения по четырём измерениям

9. Практика: быстрый старт четырёх инструментов

Команды проверены по логике на macOS / Cloud Mac (рекомендуется Python 3.10+).

Docling CLI

pip install docling
docling my-manual.pdf --to md --output ./out/

Через Python SDK можно получить JSON с bbox — удобно резать chunks по заголовкам:

from docling.document_converter import DocumentConverter
converter = DocumentConverter()
result = converter.convert("api-spec.pdf")
print(result.document.export_to_markdown())

MinerU

pip install mineru
mineru -p thesis.pdf -o ./output

В выходной папке обычно markdown, images и промежуточный JSON. Для статей включайте детекцию формул и таблиц (см. README 2.x).

Marker

pip install marker-pdf
marker_single book.pdf ./output --batch_multiplier 2

Пакетно: marker /path/to/pdfs /path/to/output. На M-серии сначала снизьте --max_pages для выборочной проверки вёрстки.

API LlamaParse

pip install llama-parse
export LLAMA_CLOUD_API_KEY="llx-..."

from llama_parse import LlamaParse
parser = LlamaParse(result_type="markdown")
docs = parser.load_data("complex-report.pdf")

С LlamaIndex: VectorStoreIndex.from_documents(docs) — демо за полдня.

10. Сценарии Cloud Mac / Apple Silicon

Парсинг PDF — нагрузка на CPU/GPU и диск; при параллельной сборке Xcode на ноутбуке это особенно заметно. Типичное разделение:

• Локальный MacBook: отладка pipeline, одиночные файлы, вызовы LlamaParse API (почти без локального compute)
• Cloud Mac mini (M4): ночной пакет MinerU/Marker на сотнях страниц
• Linux с GPU: массовый OCR MinerU вне macOS — лучшая цена/скорость

На Apple Silicon:

• Docling / Marker: M4 CPU хватает для большинства англоязычных PDF; brew install poppler для зависимостей
• MinerU: MPS ускоряет часть моделей; RAM 16 ГБ+, длинные статьи — батчами
• Хранилище: вывод с кучей PNG-срезов — облачный диск или SSD узла, не системный том

11. Стоимость, производительность и риски

Оценка стоимости (библиотека ~1000 страниц)

Производительность

• Узкие места: детекция вёрстки > OCR > чистое извлечение текста; сканы самые медленные
• Параллелизм: Marker/Docling — мультипроцесс; параллельте файлы, не потоки внутри одного PDF
• Кэш: сохраняйте результат на диск — не гоняйте один PDF повторно

Риски и ограничения

• Нет серебряной пули: журнальная вёрстка — ручная выборочная проверка 5–10% страниц
• Дрейф версий: обновление open-source моделей меняет вывод — регрессия chunk-стратегии
• Авторское право и приватность: загрузка в LlamaParse = данные вне периметра
• Галлюцинации «снизу»: ошибка парсинга → уверенный ложный RAG — храните номера страниц и bbox

FAQ

Какой PDF Parser лучший в 2026 году?

По open source, вёрстке и интеграции — Docling на первом месте; китайские статьи — MinerU; длинные английские тексты пакетом — Marker; прототип без ops — LlamaParse.

Как выбрать между Docling и MinerU?

Docling — корпоративный мультиформат и англоязычная техдокументация; MinerU — китайская академия, формулы и сканы. Оба — локально, данные on-prem.

Стоит ли платить за LlamaParse?

Да для быстрой проверки RAG, сложной вёрстки и команды без GPU-ops. На больших объёмах или при жёстком compliance — self-hosted.

Работает ли на Apple Silicon?

Да. Docling/Marker на CPU; MinerU — M4 + 16 ГБ RAM или пакеты на Cloud Mac.

Частые причины сбоя парсинга в RAG?

Сканы без OCR, перемешанный многоколоночный порядок, таблицы в plain text. Смотрите layout + структуру таблиц, не только «процент извлечённых символов».

Итоги

Логика выбора PDF Parser в 2026 проста: контроль — open source, скорость — Marker, китайские статьи — MinerU, простота — LlamaParse, корпоративный баланс — Docling. Универсального чемпиона нет — есть соответствие типу документов, compliance и объёму инженерии.

Три шага для старта:

1. A/B на 10 репрезентативных страницах (таблица, формула, скан — по одному типу)
2. Проверьте иерархию Markdown и пригодность таблиц — затем фиксируйте chunk-стратегию
3. Пакетный парсинг — на Cloud Mac, локально оставьте написание кода

Цепочку Agent и RAG см. в рейтинге AI-инструментов программирования 2026; видеопайплайн — в воркфлоу Video-use AI.

Читать также

• Лучшие AI-инструменты для программирования в 2026: Claude, Cursor, GitHub Copilot, Codex, Gemini
• Руководство по Video-use: полный AI-воркфлоу видео от сценария до готового ролика
• Триада архитектуры персонального AI Agent
• Open-source терминальные инструменты для удалённой разработки на Mac

Функции и цены — по актуальным репозиториям GitHub и документации LlamaIndex. Обновлено: 5 августа 2026.