# 扫描件到简历：七款文档智能处理开源掘金（2026年6月·第2轮） ## 概述 如果说上一轮我们关注的是"把云AI搬回家"，那么这一轮要解决的，是一个更古老、更普遍、也更值钱的痛点——**非结构化文档**。企业里 80% 的数据锁死在 PDF、扫描件、发票、合同、简历、报表图片里，进不了数据库、喂不进大模型。2026 年，开源社区在这条"文档AI流水线"上完成了关键一跃：从"OCR 抠字"升级为"端到端结构化解析"，一个 650M 参数的小模型就能同时干完版面分析、文字识别、表格还原、阅读顺序判定。这意味着，过去要花十几万年费调用商业文档智能API（ABBYY、Azure Document Intelligence、腾讯云文字识别）才能做的事，现在可以本地化、产品化、二次开发成付费工具。本轮挑出七款覆盖"OCR → 解析 → 表格 → 简历招聘"全链路的开源项目，它们维护活跃、变现路径清晰，既能做 SaaS，又能做训练营教材。 ## 筛选标准 | 维度 | 权重 | 说明 | |------|------|------| | 变现潜力 | 40% | 能否包装成发票/合同/简历/财报处理 SaaS？目标用户（财务、HR、律所、电商）付费意愿 | | 训练营适用性 | 25% | 是否能在 2–4 小时跑通从文档到结构化JSON的全流程？学员有可展示成果 | | 技术新颖度 | 20% | 是否代表"VLM统一文档理解"前沿方向？benchmark 分数 | | 维护活跃度 | 15% | 2026 年是否仍在发版（MinerU 2.5、Surya 2、olmOCR 2、PaddleOCR-VL-1.6 均为本年度迭代） | ## 逐个深度分析 ### 1. MinerU — 文档解析全能王者 **项目地址**：[opendatalab/MinerU](https://github.com/opendatalab/MinerU) | Star 约 3 万+ | 最近更新：2026年持续迭代至 2.5-Pro **核心功能**：把 PDF、图片、DOCX、PPTX、XLSX 一键转成 Markdown 和 JSON，精准保留公式、表格、阅读顺序、图片位置，并输出带边界框的可溯源结果。 **上手难度**：⭐⭐（pip 一行安装，提供命令行与 WebUI） **变现评估**：这是本组里变现天花板最高的项目。MinerU 本身开源（部分高阶模型 Pro 版走商用 API），但你可以把它**封装成行业垂直 SaaS**：律所卷宗数字化（按页收费 ¥0.1–0.3/页）、出版社图书转结构化电子书、教辅机构试卷入库。目标用户是财务、法务、教培、档案管理，付费意愿强。定价空间：¥999/年的团队版订阅、¥9999/年的私有化部署。也可直接对标 LlamaParse / TextIn，做"国产平替"API 服务，按调用计费。 **训练营评估**：极佳。4 小时课程可让学员完成"丢一本 PDF → 得到干净 Markdown → 喂给本地大模型做问答"的完整闭环，成果可见、能写进简历。适合开《AI 文档处理实战营》，定价 ¥399–699。 **差异化**：相比 Marker 偏重纯文本论文场景，MinerU 对中文、公式、复杂版面、PPT/XLSX 的覆盖更全，国产 OpenDataLab 团队维护，中文社区响应快。 ### 2. Marker — 高质量 PDF 转 Markdown 的论文利器 **项目地址**：[datalab-to/marker](https://github.com/datalab-to/marker) | Star 约 2.5 万+ | 最近更新：活跃 **核心功能**：将文档快速、准确地转为 Markdown、JSON、chunks、HTML，对学术论文、技术报告的双栏、图表、公式还原出色。 **上手难度**：⭐⭐（GPU 加速，配置好后批量处理极快） **变现评估**：变现切口在**学术与知识管理**。目标用户是研究生、科研团队、知识库创业者。可做成产品方向：①学术论文转 Notion/Obsidian 友好格式的浏览器插件（¥39–99/月订阅）；②为企业内部知识库提供"PDF→可检索Markdown→RAG"的一体化部署包（¥5000–20000/项目）；③与 Surya 同属 datalab-to 团队，可结合自建托管 API 服务对标 Mathpix（按页计费）。 **训练营评估**：适合开《科研效率实战营》，2 小时教会学员搭建个人论文 RAG 库，学员当场拥有一个能问答自己文献库的助手，成就感强。定价 ¥299。 **差异化**：Marker + Surya 出自同一家 datalab-to，模型自研、技术栈统一，质量在英文技术文档上长期霸榜。相较 MinerU，Marker 更轻、更专、对英文场景精度更高。 ### 3. Docling — IBM 出品的企业级文档处理框架 **项目地址**：[DS4SD/docling](https://github.com/DS4SD/docling) | Star 约 2.5 万+ | 最近更新：活跃 **核心功能**：IBM 开源的文档处理库，统一解析 PDF、DOCX、PPTX、HTML、图片等多样格式，内置版面分析模型，原生支持 chunking、元数据提取，与 LangChain/LlamaIndex/Haystack 深度集成，面向 RAG 场景设计。 **上手难度**：⭐⭐⭐（Python 库形态，需懂一点 RAG/向量库） **变现评估**：变现主战场是**企业 RAG 落地**。目标用户是企业 IT、AI 解决方案商。Docling 最大卖点是"工程化、可维护、与主流 RAG 框架无缝"，所以适合做"企业知识库交付"：按项目 ¥3 万–15 万搭建私有知识库，Docling 是底座。也可做面向开发者的付费教程专栏《用 Docling 搭企业级 RAG》（¥299）。 **训练营评估**：作为《企业级 RAG 实战营》核心模块，3 小时讲清"文档解析→chunk→向量化→检索→生成"，学员能交付一个可演示的企业知识问答 demo。定价 ¥699。 **差异化**：背靠 IBM，工程规范、文档完善、社区规范，是"敢拿去给甲方看"的项目。不像 MinerU/Marker 偏研究感，Docling 天然适合 B 端交付。 ### 4. Surya 2 — 一个小模型搞定 OCR+版面+表格 **项目地址**：[datalab-to/surya](https://github.com/datalab-to/surya) | Star 约 2 万+ | 最近更新：2026 年发布 Surya 2 **核心功能**：Surya 2 是一个 650M 参数的单一 VLM，同时完成版面分析、全文/分块 OCR、表格识别、阅读顺序判定，支持 90+ 语言，在 olmOCR-bench 上达 83.3%，媲美云端商业 OCR。 **上手难度**：⭐⭐（pip 安装，CPU 也能跑，GPU 更快） **变现评估**：这是**最适合个人开发者单干**的项目——模型小、能本地跑、效果却不输商业 API。变现方向：①做"离线 OCR 工具箱"桌面/小程序，卖给需要隐私的律师、医生、财务（一次性 ¥99–199）；②做票据/名片/截图批量识别 SaaS（¥29/月）；③为出海电商做多语种商品图 OCR（按量计费）。 **训练营评估**：《轻量级文档OCR实战营》，2 小时让学员用 Surya 搭一个"拍发票→自动录入Excel"的小工具，当场可用。定价 ¥399。 **差异化**：用一个 650M 小模型替代过去"检测+识别+版面"三件套，部署成本极低，是端侧/私有化部署的最优解之一。 ### 5. olmOCR 2 — 大规模批处理的高吞吐解析 **项目地址**：[allenai/olmocr](https://github.com/allenai/olmocr) / [olmocr.allenai.org](https://olmocr.allenai.org/) | Star 约 1.5 万+ | 最近更新：2026 年 olmOCR 2 **核心功能**：Allen AI 开源的高吞吐量文档转换工具，专为"把海量 PDF 批量转成 LLM 训练可用文本"设计，单 GPU 一小时可处理成千上万页，内置自研 olmOCR-bench 评测。 **上手难度**：⭐⭐⭐（偏数据工程，适合有一定规模的批处理场景） **变现评估**：变现切口在**大规模数据加工**，目标用户是大模型训练团队、数据标注公司、出版社数字化项目。可做产品：①面向中小 AI 公司的"语料清洗与PDF转纯文本"API（按百万token/页计费）；②为图书馆、档案馆做千万页级数字化交付（项目制 ¥10万+）。 **训练营评估**：更适合做进阶内容《构建大模型训练数据流水线》付费专栏（¥299），而非入门训练营，门槛略高。 **差异化**：明确锚定"高吞吐"和"训练数据生产"，是 MinerU/Marker 之外专门服务预训练数据场景的工具，赛道不挤。 ### 6. Camelot — PDF 表格提取的老牌稳定之选 **项目地址**：[camelot-dev/camelot](https://github.com/camelot-dev/camelot) | Star 约 2.2 万 | 最近更新：2.0.0（已并入 pypdf 生态） **核心功能**：纯 Python 的 PDF 表格提取库，能把 PDF 里的表格精准转成 pandas DataFrame / Excel，支持流式（lattice）和边缘（stream）两种模式。 **上手难度**：⭐（几行代码上手，门槛极低） **变现评估**：变现方向最"接地气"——**财务报表自动化**。目标用户是会计、审计、金融分析师、电商运营。可做产品：①"PDF财报/对账单一键转Excel"在线工具（¥9.9/次 或 ¥39/月订阅，这是已经被验证的高频付费场景）；②为代账公司定制批量发票/报表入库工具（¥2000–8000）。Camelot 是底座，叠加 LLM 做"智能表格理解"即可大幅提价。 **训练营评估**：完美入门教材。1.5 小时教会学员"PDF 表格→Excel→可视化"，零基础也能做出成果。适合开《Python办公自动化·表格篇》¥199。 **差异化**：相比需要 GPU 的 VLM 方案，Camelot 纯 CPU、零依赖、稳如老狗，是教培和轻量工具的性价比之选。 ### 7. Resume-Matcher — AI 简历匹配与 ATS 优化 **项目地址**：[srbhr/Resume-Matcher](https://github.com/srbhr/Resume-Matcher) | Star 约 8000+ | 最近更新：活跃 **核心功能**：开源的 AI 简历匹配/ATS（求职追踪系统）工具，把简历与职位描述（JD）做语义匹配打分，给出优化建议，帮求职者"过机器初筛"。 **上手难度**：⭐⭐（Python + 向量检索，有现成 UI） **变现评估**：直击**求职焦虑**这个高付费场景。目标用户是应届生、转行求职者、海投人群。可做产品：①"AI 简历优化 SaaS"——上传简历+目标JD，一键生成 ATS 友好版并打分（¥19–49/次，¥99/月）；②面向职前教育机构/高校就业中心的 B 端工具（¥5000–30000/年）。Resume-Matcher 提供核心匹配算法，叠加简历模板和大模型润色即可产品化。 **训练营评估**：可开《AI 求职工具实战营》，2 小时带学员搭一个"个人 ATS 检测器"，既是技能学习也是求职刚需，转化率高。定价 ¥299。 **差异化**：本组唯一面向 C 端求职者的项目，与前面 6 款 B 端/工具型形成互补，是"文档AI+招聘"的最佳落地切入点。 ## 项目分布可视化 ```mermaid quadrantChart title 文档AI开源项目：变现潜力 vs 上手难度 x-axis "上手易" --> "上手难" y-axis "变现潜力低" --> "变现潜力高" quadrant-1 "高价值·需深耕" quadrant-2 "金矿·易上手" quadrant-3 "练手项目" quadrant-4 "高门槛·窄赛道" "MinerU": [0.35, 0.92] "Marker": [0.45, 0.78] "Docling": [0.62, 0.85] "Surya 2": [0.4, 0.8] "olmOCR 2": [0.72, 0.7] "Camelot": [0.2, 0.68] "Resume-Matcher": [0.38, 0.75] ``` ```mermaid mindmap root((文档AI开源掘金)) OCR与版面 Surya 2 单模型全能 olmOCR 2 高吞吐批处理 全文档解析 MinerU 多格式全能 Marker 论文利器 Docling 企业级RAG 垂直专项 Camelot PDF表格 Resume-Matcher 简历招聘 ``` ## 变现潜力 Top 5 排行榜 | 排名 | 项目 | 变现方向 | 预估定价 | |------|------|----------|----------| | 🥇 1 | **MinerU** | 律所/教培/档案 行业垂直文档SaaS、私有化部署 | ¥999/年 起，私有化 ¥9999+/年 | | 🥈 2 | **Docling** | 企业级 RAG 知识库交付项目 | 项目制 ¥3万–15万 | | 🥉 3 | **Resume-Matcher** | C 端求职 AI 简历优化 SaaS | ¥19–49/次，¥99/月 | | 4 | **Surya 2** | 离线 OCR 工具箱、隐私优先付费工具 | 一次性 ¥99–199，订阅 ¥29/月 | | 5 | **Camelot** | PDF 报表/对账单转 Excel 高频工具 | ¥9.9/次，¥39/月 | > **变现组合拳建议**：MinerU/Docling 做 B 端项目制高客单，Camelot/Resume-Matcher 做 C 端高频低客单走量，Surya 2 作为所有产品的底层 OCR 引擎压低成本。训练营产品线则按"Camelot(入门¥199) → Surya/MinerU(进阶¥399–699) → Docling/olmOCR(高阶¥699–专栏¥299)"梯度设计。 ## 延伸观察 2026 年文档智能赛道的关键变化是**"VLM 统一化"**——过去需要版面分析、OCR、表格识别三个模型串联的流水线，正被 PaddleOCR-VL-1.6、Surya 2、MinerU 2.5 这类单一视觉语言模型取代（PaddleOCR-VL-1.6 在 OmniDocBench 上以 96.33 分领先）。对掘金者而言，这意味着**底层越来越卷、越来越免费，真正的钱在"行业封装"和"最后一公里交付"**：把通用模型包成发票录入、简历筛选、合同审查的垂直产品，卖给不懂技术但痛点强烈的财务、HR、律师。开源给了你引擎，产品化能力才是油门。 ## 参考来源 1. [MinerU - opendatalab/MinerU (GitHub)](https://github.com/opendatalab/MinerU) — 文档解析核心项目，PDF/DOCX/PPTX 转 Markdown/JSON 2. [Best Open-Source PDF-to-Markdown Tools in 2026: Marker vs Docling vs MinerU](https://themenonlab.blog/blog/best-open-source-pdf-to-markdown-tools-2026) — 三大解析工具精度/速度/部署成本横评 3. [Announcing Surya OCR 2 (datalab.to)](https://www.datalab.to/blog/surya-2) — 650M 参数统一 VLM，版面+OCR+表格一体，olmOCR-bench 83.3% 4. [olmOCR - Open-Source OCR for Accurate Document Conversion (Allen AI)](https://olmocr.allenai.org/) — 高吞吐批处理文档转换工具 5. [Best OCR Model 2026: PaddleOCR-VL-1.6 Leads (CodeSOTA)](https://www.codesota.com/ocr) — 2026 OCR 模型榜单，PaddleOCR-VL-1.6 以 96.33 领先 MinerU2.5-Pro 6. [srbhr/Resume-Matcher (GitHub)](https://github.com/srbhr/Resume-Matcher) — AI 驱动的开源简历匹配与 ATS 优化工具 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。