纯CPU解析PDF结构，无需ML模型
推荐指数 66.0 NO. 015 · 2026.10.02
发布2026/10/01Score61Comments7
为什么值得看
papero 是一个纯几何算法驱动的 PDF 解析工具，可将 PDF 转为 Markdown/JSON/Word/Excel，还原阅读顺序、表格、公式和边界框，完全在浏览器或本地 CPU 运行。对 RAG 和 LLM 预处理场景极具价值，避免了传统方案依赖 GPU 或云端 API 的成本和隐私风险。
编辑判断
做文档 RAG 的团队目前大多用 PyPDF2、pdfplumber 或 MinerU，但要么丢结构、要么依赖 heavy 的深度学习模型。MinerU 虽然效果好，但需要 GPU 和模型权重下载，部署成本不低。papero 的差异化在于用纯几何启发式替代神经网络，把解析压到了浏览器 WASM 里能跑的水平，隐私敏感场景（法律、医疗、金融内网）可以直接本地处理。
不过几何规则的天花板很明显：扫描版 PDF、复杂嵌套表格、手写公式大概率会崩。如果你的文档以标准学术论文、财报、标书为主，可以先跑 benchmark 对比 MinerU 的召回率和速度；如果是扫描件或版式极度混乱的合同，这个方案可能不够。建议关注它后续是否开放自定义 heuristics 的接口，这是企业落地的关键。
社区反馈
意见分歧 7 条评论
核心争论：纯CPU几何算法能否稳定替代ML方案，实际效果存疑
I built this because extracting PDFs into Markdown/JSON often loses reading order, tables, formulas, figures, and their original locations. The goal is a lightweight document extraction pipeline that preserves document structure and bounding boxes while exporting to Markdown, JSON, Excel and Wo
This looks fantastic! The table and formula extraction features are especially interesting. My immediate question is: can this be integrated into Zotero? Most of the PDFs I read are research papers and extracting tables and formulas directly from my zotero collection would be super handy.
Great work, thanks for sharing.