专用文档解析工具推荐（2026 年最新）

以下是目前在 RAG / LLM 知识库构建 中最常用且效果较好的专用文档解析工具，重点支持 PDF、Word（DOCX）、PPTX 等格式转 Markdown / 结构化 JSON，适合后续层级分块（Hierarchical Chunking）。按开源本地优先 + 综合表现排序，并标注关键特点。

1. Docling（IBM 开源，强烈推荐）

• 核心优势：布局理解极强（页面布局、阅读顺序、表格、公式、代码块、图片分类），输出高质量 Markdown 或 JSON。
• 支持格式：PDF、DOCX、PPTX、XLSX、图片、HTML 等。
• 特点：
  • 使用 DocLayNet + TableFormer 等模型，结构保持优秀。
  • 支持 OCR（可搭配多种 OCR 引擎）。
  • 直接集成 LangChain / LlamaIndex / LangChain4j。
  • 轻量、可本地运行（CPU 也能接受）。
• 适用场景：学术论文、技术文档、复杂布局 PDF、需要高结构保真度的 RAG。
• 缺点：对极复杂扫描件可能仍需额外 OCR 增强。

2. MinerU（上海 AI Lab，开源，中文支持优秀）

• 核心优势：高精度解析复杂文档（尤其是中文学术/科技文档），去除页眉页脚、脚注、页码，保持语义连贯性。
• 支持格式：PDF、图片、DOCX、PPTX、XLSX、网页。
• 特点：
  • VLM + OCR 双引擎，多语言支持（中文强）。
  • 输出干净 Markdown / JSON，表格、公式、图片处理好。
  • 支持单/多栏复杂布局。
• 适用场景：中文文档、重格式 PDF、科研文献。
• 缺点：资源消耗稍高（GPU 加速效果更好）。

3. MarkItDown（微软开源）

• 核心优势：多格式统一转换，轻量、易用。
• 支持格式：PDF、Word、PPT、Excel、HTML、图片、音频（转文字）等。
• 特点：Office 文件（Word/PPT/Excel）处理优秀，PDF 依赖 pdfminer（表格/复杂布局一般）。
• 适用场景：以 Office 文档为主、追求简单快速的场景。
• 缺点：PDF 复杂布局能力弱于 Docling/MinerU。

4. LlamaParse（LlamaIndex 官方）

• 核心优势：Agentic OCR + 多模态，准确率高，输出结构化 Markdown/JSON。
• 支持：复杂 PDF（表格、图表、扫描件）。
• 特点：云服务为主（有免费额度），集成 LlamaIndex 极方便，也支持 LangChain。
• 适用场景：需要最高准确率、不想本地部署复杂模型的团队。

5. 其他值得关注的工具

实际使用建议（结合你的层级分块需求）

1. 首选组合：

   • Docling 或 MinerU → 输出 Markdown → 使用 MarkdownHeaderTextSplitter 或 Hierarchical splitter 进行父子块分割。
   • 图片/图表：这些工具会自动提取并生成描述（或输出单独图片 + caption），可进一步用小 VLM 增强描述。

2. Word 文档：Docling / MarkItDown / MinerU 表现都较好（优于纯 LLM 转换）。

3. 扫描件/图片密集 PDF：优先 MinerU 或 LlamaParse（带强 OCR）。

4. 生产级 pipeline：

   • 先用专用解析器得到高质量 Markdown。
   • 再做 Hierarchical Chunking（大 Parent Chunk + 小 Child Chunk）。
   • 只向量化工块，检索后返回 Parent Chunk 给 LLM。