在线文档解析服务横评：TextIn、MinerU、MonkeyOCR 谁最适合企业知识库？

文档解析服务是知识库数据集的“源头活水”，它直接决定了后续问答的准确性。尤其在处理海量文档时，解析质量的高低，几乎与知识库产品的交付成本划等号。

在实际的知识库交付过程中，常见的问题不少：表格错位、公式显示异常、标题层级混乱、图文结构丢失……这些隐患如果在源头没处理好，后续的分块和检索召回，本质上都是在错误的数据上“叠罗汉”，结果可想而知。

对于构建知识库的团队来说，找到一种相对最优的解析服务，尽可能提升数据源质量、降低数据治理成本，是当务之急。

测试标准

综合行业内的反馈，我们重点考察了 MinerU、TextIn 和 MonkeyOCR 这三款主流产品。需要说明的是，PaddleOCR 在线体验无法生成 Markdown 文件，而 Dolphin 只能上传文件、无法预览 Markdown，因此这两款不在本次横评范围内。

考虑到本地部署耗时且变量多，本次评测统一使用各产品的官方在线体验地址，离线或开源版本不参与对比。模型优先采用 VLM 模型，以确保更好的识别效果。评测产物优先以 Markdown 文件为标准——对知识库来说，Markdown 格式是最友好的。

有一点值得留意：文档转 Markdown 必然会损失部分信息。毕竟 Markdown 是一种轻量级标记语言，它擅长文本内容，但无法完整表达复杂的排版和样式。

另外，由于评测文档样本有限，本次测评结果仅反映这些文档在解析服务默认参数下的表现，并不代表服务厂商在其他文档上的处理能力。

测试方案

考虑到文档格式的多样性，我们以 PDF 和 Word 这两种最常用的格式作为测试对象。在文档结构层面，重点关注表格、图文混排、分页、目录识别及复杂版式。核心指标是 Markdown 文档的还原度。

测试数据集

围绕上述标准，我们精心挑选了以下四份具有代表性的文档：

1. 某知名品牌电风扇使用说明书（PDF）
   ——该文档图文混排复杂，重点考察文档结构还原和图片提取能力。

1. 邮件模板（DOC）
   ——文档包含表格内嵌表格及删除线等特殊格式，重点考察 Word 文档表格的还原能力。

1. 跨页表格（PDF）
   ——全英文文档，关注目录级别识别效果以及跨页表格的识别能力。

1. 煤矿安全规程2022版（PDF）
   ——图文混排，包含表格、文字和公式，重点关注表格内公式符号的还原程度。

测试过程

测试案例一：某品牌电风扇使用说明书 PDF 文档

客观来说，这份文档的结构相当复杂。

整体文本还原度尚可，但无序列表的层级关系没有表达出来，被合并成了一整段，丢失了列表排版。

• 左手按高度调节按钮,固定解除,再用右手捏着升降杆向上升或向下降并根据喜好来调节高度。(如图2)- 按到最低时,升降杆可以固定。其它位置都不可固定。

左手按高度调节按钮, 固定解除, 再用右手捏着升降杆向上升或向下降并根据喜好来调节高度。 (如图2)
● 按到最低时,升降杆可以固定。其它位置都不可固定。

层级关系和图片都丢失了，整体表现较差。

无序列表的关系完美还原，图片也原样重现，和原文没有区别。

·左手按高度调节按钮，固定解除，再用右手捏着升降杆向上升或向下降并根据喜好来调节高度。（如图2）
·按到最低时，升降杆可以固定。其它位置都不可固定。

从文档结构还原来看，TextIn 表现最优。

测试案例二：邮件模板 DOC

为什么选择这个文件？因为它格式特殊——表格相互嵌套，且含有删除线格式，本地用 LibreOffice 转 PDF 时直接崩溃了。

由于表格跨页，第一页的表格 MinerU 识别得不错，但第二页的列就完全对不上了。

MonkeyOCR 在线体验地址不支持 doc 文件，无法对比。

部分单元格出现了错误合并，但整体来看还原度较高，表格的结构信息基本维持。除去 MonkeyOCR 不支持 doc 外，TextIn 的表格还原相对更好一些。

测试案例三：跨页表格 PDF

原本预期是一个连续的表格，但实际识别结果被中间的标题分割了，不符合预期。

正确识别出了跨页的表格，但没有进行合并操作。

测试结果令人惊喜：完美合并了跨页表格。

测试案例四：煤矿安全规程2022版 PDF

表格识别效果较差，表格最后两列直接丢失了；表格标题也被识别到了表格下方，整体效果不尽人意。

识别基本准确，“说明”一列的合并单元格识别有误，但整体效果还是挺好的。

识别准确，完美还原。

测试结论

本次选取的测试文档，客观来说结构都偏复杂，测试目的也明确围绕“知识库问答系统”所需的文档解析服务展开。

由于样本文档和参数配置的局限性，本次测试结果可能存在一定的随机性。但从整体表现来看，TextIn 在线解析服务在表格识别、文档结构还原、跨页表格处理等场景下表现突出。

从更宏观的角度看，文档排版、复杂图表、表格单元格合并等，依然是当前文档解析的难点，而文档分级目录的识别相对简单。对于重视文档解析质量的企业来说，在搭建知识库时，TextIn 在线文档解析服务当下是个相当不错的选择。