将 PDF 转成文本这件事，过去是“能做到”，现在是“轻松做到”。
最近我搭建了一个图数据库（Graph Data Store），用于 RAG 系统 —— 换句话说，我们做了一个 GraphRAG。
为什么用 GraphRAG？
相比常见的向量数据库**支持的 RAG，Graph RAG 有个巨大优势 —— 推理能力更强。比如：
问题 A：「XYZ 公司去年 CFO 是谁？」
这种问题，向量搜索就能搞定，因为年报里通常直接写了。
但换成这样：
问题 B：「XYZ 公司有哪两位董事是同一所学校毕业的？」
如果年报没有直接提学校名，向量搜索就“废了”。GraphRAG 就能玩得转，因为它能推理出隐含关系。
但问题来了 —— 怎么构建这个图？
我最近写了一篇文章专门讲这个问题。但如果我们再往前一步想：怎么从 PDF 里提取信息来构建知识图谱？
这篇文章就来讲这个过程。
🛠️ 如何把 PDF 转成结构化富文本？
所有的工程步骤都从一件事开始：把 PDF 变成文本数据。
但问题是 —— 年报不是普通 PDF，它们包含大量图表、表格、结构化数据。这些内容都非常关键。
大多数 Python 开发者用过 PDF 解析库，比如：
•PyPDF2 —— 超老牌，能用，但很简陋。•PyMuPDF4LLM —— 能直接把 PDF 转成 Markdown 格式。•Docling —— IBM Deep Search 出品，提取效果惊艳。•Marker —— 另一个很新的工具，表现也不错。
我们依次测了一下这几个工具的效果。
✅ 各工具提取效果对比
•PyPDF2：纯文本提取，没有任何结构。段落、标题、表格、列表，全都混成一堆。
•PyMuPDF4LLM：能转成 markdown，有结构信息，LangChain** 等框架支持，但表格效果拉胯。
•Docling：表现最强！能保留标题层级、表格结构、甚至给图片加占位符**。
•Marker：也不错，但整体信息保留度不如 Docling。
所以最后我们选了 Docling 作为主工具。
⚠️ Docling 的问题：太慢了！
我们做了一个实验，把年报里包含文字、表格、图片的混合段落提取出来，放在不同页数的 PDF 中，测试不同工具的处理速度。
结果如下：
•Docling：每页大概 4 秒•Marker：每页大概 8 秒•PyPDF2：飞快，但结构信息很少
如果你要处理几十份报告（比如 50 份，每份 300 页），那就意味着：
300页×50份×4秒÷3600秒≈17小时这还可以接受。但如果扩展到 S&P500 所有公司的 30 年年报 —— 就得处理上百万页。
靠单机做是不现实的，所以我们选择了：
☁️ 云服务 + 并行处理
我们用云服务搭了一个转换服务，可以并行处理 PDF，提取结构化 Markdown，然后自动更新 GraphDB。
这个架构可以很好地扩展，未来接更多数据没问题。
✅ 最终结论
| 工具 | 结构信息 | 表格提取 | 速度 |
|---|---|---|---|
| PyPDF2 | 差 | 差 | 非常快 |
| PyMuPDF4LLM | 中等 | 差 | 中等 |
| Marker | 中等 | 中等 | 慢 |
| Docling | 最佳 | 最佳 | 慢 |
所以，我们最后选择：
•结构提取用 Docling•大规模处理时，用云服务并行跑•如果你对速度极度敏感，PyPDF2 还是最快的选择
🙌 总结
PDF 转 Markdown 的工具这些年进步巨大，但 表格提取仍然是个挑战。
我们比较了四个开源工具，最后用 markdown 构建了图谱，并在 GraphRAG 系统中实现了应用。
Docling 是效果最好的提取工具，但速度较慢 —— 所以我们搭了云服务来处理。
这就是我们在从 PDF 到智能图谱路上的第一步！🚀
原文地址：https://mp.weixin.qq.com/s/ykMEHkV-Pep86ip9J0JoLw
