Jawaban singkatnya
- Untuk mengeluarkan kata-katanya, pdftomd dan PyMuPDF4LLM setara. Keduanya rata-rata mempertahankan 99% teks isi di 15 dokumen yang dinilai. PyMuPDF4LLM menjaga urutan baca sedikit lebih baik pada makalah ilmiah dan tabel padat.
- pdftomd menyisakan pekerjaan bersih-bersih paling sedikit. Ia menghapus header, footer, dan nomor halaman yang berulang jauh lebih konsisten, dan tidak menyisakan satu pun kata yang terpotong tanda hubung di akhir baris. Ia juga satu-satunya dari ketiganya yang bisa dipakai tanpa memasang apa pun, dan file Anda tetap di perangkat Anda.
- MarkItDown dibuat untuk banyak format, dan PDF bukan keunggulannya. Untuk PDF ia mengembalikan teks polos tanpa judul, mempertahankan jeda baris dan tanda hubung dari PDF, dan kehilangan sebagian besar teks makalah ilmiah di set kami. Dalam uji kami ia tidak punya OCR untuk PDF, jadi hasil pindaiannya kosong.
- Untuk pindaian, pdftomd dan PyMuPDF4LLM sama-sama membaca laporan keuangan hasil pindai kami hampir sempurna, termasuk tabelnya, asalkan PyMuPDF sudah dipasangi mesin OCR.
Kalau Anda menulis Python dan lisensi AGPL cocok untuk proyek Anda, PyMuPDF4LLM adalah pustaka yang sangat baik. Kalau Anda ingin hasilnya sekarang, di browser, tanpa mengunggah file, pakai konverter di halaman utama kami.
Hasil
| Dokumen | pdftomd | PyMuPDF4LLMPyMuPDF 2.1 + RapidOCR 3.10 | MarkItDown0.1.9 |
|---|---|---|---|
| Putusan Mahkamah Agung AS12 halaman | 9.940% | 10.000% | 10.000% |
| Kerangka AI NIST14 halaman | 9.980% | 9.970% | 6.240% |
| Makalah riset, satu kolom15 halaman | 9.790% | 9.810% | 2.290% |
| Makalah riset, dua kolom12 halaman | 9.930% | 9.920% | 5.060% |
| Makalah dengan rumus15 halaman | 9.160% | 9.330% | 4.550% |
| Laporan keuangan4 halaman | 10.000% | 9.820% | 10.000% |
| Tabel pajak IRS8 halaman | 9.980% | 9.810% | 9.840% |
| Formulir W-9 IRS6 halaman | 9.980% | 9.940% | 9.990% |
| Tabel proyeksi Federal Reserve5 halaman | 9.970% | 9.950% | 9.050% |
| Tabel keuangan hasil pindai2 halaman | 9.930% | 9.960% | 0% |
| Teks Tionghoa7 halaman | 10.000% | 10.000% | 10.000% |
| Laporan berbahasa Jepang10 halaman | 10.000% | 10.000% | 10.000% |
| Teks Korea7 halaman | 10.000% | 10.000% | 10.000% |
| Ringkasan produk bergambar7 halaman | 9.990% | 10.000% | 10.000% |
| Slide kuliah12 halaman | 9.850% | 9.950% | 10.000% |
| Rata-rata | 9.900% | 9.897% | 7.801% |
Pindaian ketikan mesin tik tahun 1969 tidak masuk tabel: satu-satunya teks rujukannya adalah OCR bawaan pemindainya, yang terlalu buruk untuk dijadikan dasar penilaian. pdftomd dan PyMuPDF4LLM sama-sama menghasilkan teks yang bisa dibaca darinya, PyMuPDF4LLM dengan lebih sedikit tanda baca nyasar; MarkItDown tidak menghasilkan apa-apa.
Apa yang kami uji
| Konverter | Versi | Cara menjalankan |
|---|---|---|
| pdftomd | situs ini, 2026-11-13 | Pengaturan bawaan di Chromium, ke-16 file dijatuhkan sekaligus, Unduh semua |
| PyMuPDF4LLM | PyMuPDF 2.1 dengan RapidOCR 3.10 | pymupdf4llm.to_markdown(path) |
| MarkItDown | 0.1.9 | MarkItDown().convert(path).markdown |
Dokumennya publik dan dipilih untuk mencakup apa yang benar-benar dikonversi orang:
| Dokumen | Halaman | Yang membuatnya sulit |
|---|---|---|
| Putusan Mahkamah Agung AS | 12 | Catatan kaki, header berulang |
| Kerangka Manajemen Risiko AI NIST | 14 | Halaman sampul, judul, tautan |
| Makalah ilmiah, satu kolom | 15 | Judul, daftar pustaka, sedikit rumus |
| Makalah ilmiah, dua kolom | 12 | Urutan baca antarkolom |
| Makalah penuh rumus | 15 | Matematika padat |
| Laporan keuangan kuartalan Apple | 4 | Tabel keuangan bergaris |
| Kutipan Publikasi 15-T IRS | 8 | Tabel pajak panjang, daftar isi |
| Formulir W-9 IRS | 6 | Tata letak formulir, huruf kecil |
| Tabel proyeksi Federal Reserve | 5 | Tabel lebar dengan header bertingkat |
| Laporan misi Apollo 11, pindaian ketikan | 4 | Pindaian tahun 1969, tanpa lapisan teks |
| Laporan Apple, hasil pindai | 2 | Tabel tanpa lapisan teks |
| Deklarasi Universal Hak Asasi Manusia, Tionghoa | 7 | Teks CJK |
| Kutipan Outlook Report Bank of Japan | 10 | Bahasa Jepang, grafik |
| Deklarasi Universal Hak Asasi Manusia, Korea | 7 | Teks Hangul |
| Ringkasan produk Raspberry Pi 5 | 7 | Gambar, teks di atas foto |
| Slide kuliah Stanford CS231n | 12 | Slide, banyak gambar kecil |
Cara penilaiannya
Setiap hasil dibandingkan dengan teks yang diekstrak pdftotext dari poppler dari PDF yang sama.
- Kata ditemukan adalah porsi kata dalam teks rujukan yang muncul di Markdown. Header, footer, dan nomor halaman yang berulang lebih dulu dikeluarkan dari rujukan, jadi konverter yang menghapusnya, seperti yang dilakukan pdftomd secara bawaan, tidak kehilangan nilai karenanya. Bahasa Tionghoa, Jepang, dan Korea dihitung per karakter.
- Urutan baca adalah subbarisan bersama terpanjang dari kata-kata antara rujukan dan hasil, sebagai porsi dari rujukan. Nilainya turun ketika kolom tercampur atau sel tabel terbaca dengan urutan yang salah. Anggap selisih satu atau dua poin sebagai derau.
- Kata terpotong menghitung tanda hubung akhir baris yang tidak disambung kembali, seperti
pur- suant. - Header tertinggal menghitung baris yang berulang empat kali atau lebih di hasil, yang hampir selalu berupa header atau footer yang tidak terhapus. Baris penanda gambar tidak dihitung.
Untuk tabel, kami mencocokkan 35 baris laporan Apple dengan PDF-nya: satu baris dihitung benar jika labelnya dan setiap nilainya masuk ke selnya masing-masing, sesuai urutan. pdftomd benar persis di 30 baris, PyMuPDF4LLM 28, dan MarkItDown 5. Pada salinan pindaian laporan yang sama, pdftomd benar di 29 dari 30 baris dan PyMuPDF4LLM di semua 30.
Kecepatan
Di mesin 4 inti yang sama, pdftomd mengonversi ke-16 PDF dalam 21 detik di browser, termasuk OCR untuk 9 halaman hasil pindai. PyMuPDF4LLM butuh 64 detik, juga dengan OCR, dan MarkItDown 11 detik tanpa OCR. Waktu Anda akan berbeda tergantung perangkat; ponsel lebih lambat daripada laptop.
Yang tidak diberitahukan uji ini
- Salah satu konverternya buatan kami. Pembersihan kami dikembangkan dengan dokumen seperti ini dalam pikiran, dan itu menguntungkan kami. Kami menerbitkan skripnya dan menampilkan baris-baris tempat kami kalah, tetapi ujilah dengan PDF Anda sendiri sebelum memutuskan.
- Penilaian otomatis bisa melewatkan sesuatu. Tabel dengan satu kolom bergeser bisa tetap menyimpan semua katanya; judul di tingkat yang salah tidak mengurangi nilai di sini. Karena itu pdftomd menandai halaman bertabel agar Anda periksa.
- Docling dan Marker tidak ikut di putaran ini. Keduanya butuh PyTorch dan unduhan model, dan Marker juga menjalankan server inferensi terpisah. Keduanya memakai model tata letak dan sering disarankan untuk tata letak rumit dan rumus; lihat PDF ke Markdown dengan Python untuk cara menjalankannya.
- Konverter daring tidak masuk tabel. Mesinnya berubah tanpa pemberitahuan dan versinya tidak bisa dikunci, jadi nilainya sudah usang sehari setelah kami mengukurnya.
Konverter mana yang sebaiknya Anda pakai?
| Kalau Anda ingin | Pakai |
|---|---|
| Hasil sekarang, di browser, tanpa mengunggah apa pun | pdftomd |
| Pustaka Python di dalam pipeline, dan AGPL cocok untuk proyek Anda | PyMuPDF4LLM |
| Satu pustaka untuk Word, PowerPoint, Excel, dan HTML selain PDF | MarkItDown, dengan catatan PDF keluar sebagai teks polos |
| Hasil terbaik untuk makalah penuh rumus, dengan GPU | Marker atau Docling |
Ulangi sendiri
Unduh kit uji: skrip penjalan untuk browser, skrip penjalan Python untuk pustaka-pustakanya, skrip penilai, skrip yang menghasilkan tabel di atas, dan nilai mentahnya. PDF-nya berasal dari sumber publik yang disebut di tabel; alamat persis dan rentang halamannya ada di README kit (dalam bahasa Inggris).
PyMuPDF4LLM dikembangkan oleh Artifex dan MarkItDown oleh Microsoft. pdftomd tidak berafiliasi dengan keduanya.