Парсери PDF у Markdown для ШІ: MinerU, Docling і Marker — ліцензії, кирилиця, ціна

Коротко (TL;DR)

• Конвертувати PDF у Markdown для ШІ варто, коли документів багато: RAG-пошук, база знань, пакетна обробка. Для одного файлу вистачить онлайн-конвертера або завантаження PDF просто в чат-асистента.
• Головні відкриті парсери на 2 листопада 2026 року — MinerU (4.1.4), Docling (2.145.0) і Marker (2.1.0); поруч olmOCR від AllenAI та MarkItDown від Microsoft.
• Багато оглядів застаріли: MinerU з квітня 2026 року не AGPL, а Apache-2.0 з порогами для великого бізнесу; у Marker код під Apache-2.0, але ваги моделі платні для компаній із виторгом або інвестиціями понад $5 млн.
• Кирилицю вмикають вручну: у Docling без зазначення мови OCR читає скан англійською чи китайською моделлю. Незалежного тесту парсерів українською ми не знайшли.
• Рейтинги суперечать один одному: Docling лідирує серед трьох парсерів в одному бенчмарку й відстає від обох конкурентів в іншому. Вирішує перевірка на 10 власних сторінках — методика наприкінці.

PDF описує не структуру документа, а його вигляд: який символ поставити в яку точку сторінки. Людині цього досить, мовній моделі — ні. Парсер документів перекладає цю «розкладку» назад у структуру: заголовки, абзаци в правильному порядку, таблиці з комірками. Нижче розбираємо, як він це робить, який узяти, у що обійдеться ліцензія і де він може підвести.

Навіщо ШІ Markdown замість PDF: порядок колонок, таблиці, токени

Markdown — це текст із мінімальною розміткою: # перед заголовком, | між комірками таблиці, - перед пунктом списку. Модель бачить структуру документа й не витрачає увагу на координати символів. PDF натомість описує вигляд сторінки, і за «наївного» видобування тексту ламаються три речі.

• Порядок читання. У статті на дві колонки видобувач часто читає рядок зліва направо через обидві колонки — речення перемішуються.
• Таблиці. Комірки перетворюються на потік чисел без меж: модель уже не знає, яка цифра якому стовпцю належить.
• Службове сміття. Колонтитули, номери сторінок і виноски вклинюються в середину абзацу й потрапляють у відповіді.

Суперечка «PDF vs Markdown for AI» зазвичай зводиться до вартості й точності. Markdown розбивається на смислові шматки за заголовками, і кожен шматок (чанк) потім перетворюється на вектор для пошуку. Це основа RAG — схеми, де модель спершу знаходить потрібні фрагменти у вашій базі, а потім відповідає за ними; як вибрати модель для векторів, ми розбирали в матеріалі про ембединг-моделі для RAG. Той самий Markdown зручний як постійна база знань агента — підхід, описаний у розборі LLM Wiki за ідеєю Карпаті.

Коли парсер не потрібен: PDF можна віддати моделі безпосередньо

Іноді простіше надіслати PDF моделі як є. За документацією Anthropic на 2 листопада 2026 року Claude обробляє кожну сторінку PDF двічі — як текст і як зображення, і текст однієї сторінки зазвичай коштує 1 500–3 000 токенів плюс ціна зображення. Ліміт — 600 сторінок на запит (100, якщо контекстне вікно запиту менше за 1 млн токенів).

Порахуймо. Звіт на 300 сторінок — це 450 000–900 000 токенів самого лише тексту, і ви платите їх за кожне запитання до документа. Чому довгий контекст іще й «забуває» деталі, ми пояснювали в статті про контекстне вікно LLM. Готовий .md та сама модель приймає як звичайний текст (text/plain) без зображень сторінок.

Видалення фону з фото нейромережею: 3 безкоштовні способи і пастка ліцензій

ШІ для читання довгих PDF: аналіз документів на 300 сторінок залежить від тарифу

OneXPlayer X2 Mini Pro на Ryzen AI Max+ 388: які нейромережі потягнуть 48 і 64 ГБ

Галюцинації ШІ в ChatGPT: вигадані джерела і перевірка відповіді за 3 хвилини

Claude Fable 5.2 вийшла для всіх: на 30% швидша, $8 за мільйон токенів на вході

Звідси просте правило:

• Разове запитання до кількох файлів — завантажуйте PDF у чат-асистента. Якщо хочеться ставити запитання одразу пачці документів і слухати переказ, підійде сервіс із нашого гайду з NotebookLM.
• Один простий файл без секретів, потрібен Markdown — будь-який безкоштовний онлайн-конвертер PDF у Markdown або локальний MarkItDown від Microsoft (підійде для цифрового PDF без складних таблиць і сканів, докладніше нижче). Пам’ятайте: онлайн-конвертер надсилає файл на чужий сервер, MarkItDown працює на вашому комп’ютері.
• Сотні й тисячі сторінок, повторні запити, RAG — потрібен парсер: ви один раз платите за розбір і далі працюєте з дешевим текстом.

Чому MarkItDown досить для Word, але не для складних PDF

MarkItDown від Microsoft (ліцензія MIT, версія 0.1.9 від 21 жовтня 2026 року) добре перетворює на Markdown файли .docx. З PDF інакше: за замовчуванням він використовує pdfminer.six, який лише витягує потік тексту, без аналізу верстки, без OCR і без розпізнавання таблиць. У бенчмарку OpenDataLoader MarkItDown має 0,273 бала за таблиці й 0,000 за ієрархію заголовків. OCR додає окремий плагін markitdown-ocr, який надсилає зображення в LLM із комп’ютерним зором. Для звітів із таблицями потрібен важчий інструмент.

Як парсер перетворює PDF на Markdown: текстовий шар, OCR і VLM

Сучасний парсер документів — це конвеєр із чотирьох щаблів. Різні інструменти вмикають різні щаблі, і від цього залежать швидкість, вимоги до заліза та якість.

1. Текстовий шар. У «цифровому» PDF (вивантаженому з Word чи LaTeX) текст уже є — його треба лише прочитати. Швидко, працює на будь-якому процесорі, але зі сканами марно.
2. Моделі розмітки сторінки (layout). Невеликі нейромережі знаходять на сторінці блоки: заголовок, абзац, таблицю, формулу, підпис до рисунка — і визначають порядок читання.
3. OCR (оптичне розпізнавання символів). Для сканів і зображень: модель «читає» літери із зображення. Тут важлива мова — модель, навчена на латиниці, кирилицю розпізнає погано.
4. VLM (vision-language model). Модель, яка бачить зображення сторінки цілком і одразу пише Markdown. Краще дає раду складній верстці, але повільніша, потребує відеокарти й інколи вигадує текст.

Docling: що це і як він улаштований

Docling — відкрита бібліотека для розбору документів з IBM Research, яку у квітні 2025 року IBM передала фонду LF AI & Data при Linux Foundation. Ліцензія — MIT, свіжа версія на 2 листопада 2026 року — 2.145.0 від 29 жовтня. В основі — спеціалізовані моделі: DocLayNet для розмітки сторінки й TableFormer для структури таблиць. Для складних сторінок є VLM-режим із моделлю GraniteDocling. Red Hat описує Docling як доповнення до своєї платформи Red Hat AI.

MinerU 4: чотири рівні якості від flash до advanced

MinerU розробляє лабораторія OpenDataLab. На 2 листопада 2026 року на PyPI лежить версія 4.1.4 (вийшла того ж дня, 4.1.3 — 30 жовтня). Головна ідея четвертої гілки — рівні розбору (tiers): ви обираєте не модель, а потрібну якість.

На сторінці документації, знятій 2 листопада 2026 року, рамкою виділено таблицю рівнів, а в шапці — бейдж останнього релізу:

• flash — швидкий перегляд та індексація: текстовий шар цифрових документів, для сканів і зображень — полегшений Flash OCR;
• basic — OCR, формули й таблиці невеликими моделями (ONNX або Torch), без VLM;
• standard — складна верстка: невеликі моделі плюс VLM; цей рівень вмикається за замовчуванням для PDF;
• advanced — ті самі моделі, але більше обчислень на сторінку.

Крім PDF, MinerU приймає зображення, DOCX, PPTX, XLSX, EPUB, HTML і ще десяток форматів. На Mac з Apple Silicon він сам обирає Torch/MPS і llama.cpp/Metal.

Конвертувати PDF у Markdown покроково: MinerU і Docling

Команди нижче взято з офіційної документації обох проєктів на 2 листопада 2026 року. Синтаксис змінюється між версіями: у MinerU стару команду mineru -p input.pdf -o output у гілці 4.x замінено на mineru-kit parse input.pdf -o output.md, а багато інструкцій в інтернеті досі показують стару.

MinerU: встановлення й перша конвертація за п’ять кроків

1. Створіть віртуальне середовище. MinerU потребує Python від 3.11 до 3.14 (>=3.11,<3.15), документація радить починати з 3.12: uv venv --python 3.12 .venv, потім source .venv/bin/activate (у Windows — .venv\Scripts\Activate.ps1).
2. Встановіть пакет: uv pip install -U "mineru>=4.0,<5". Базова збірка вже містить ONNX-моделі та llama.cpp; вебінтерфейс запускається командою mineru-kit webui.
3. Перевірте залізо: mineru-kit hardware detect підкаже, який рівень потягне ваш комп’ютер. Для продуктивного локального запуску документація радить закладати від 16 ГБ оперативної пам’яті, а 8 ГБ відеопам’яті називає лише відправною точкою для планування, а не гарантією.
4. Розберіть файл: mineru-kit parse document.pdf -o document.md --tier standard. Під час першого запуску завантажаться ваги моделей.
5. Пакетна обробка: mineru-kit parse ./documents -o ./output --format zip — для теки -o має вказувати на каталог.

Два застереження. Для цифрового PDF без нейромереж є --tier flash --ocr-mode txt, але такий режим читає лише текстовий шар і не підстрахує OCR-ом відскановані сторінки — для них потрібен --ocr-mode ocr. І не плутайте mineru-kit parse з командою mineru parse: друга працює через бібліотеку документів, за замовчуванням бере лише перші 10 сторінок і збирає телеметрію використання. Вимикається вона командою mineru telemetry disable; вміст файлів, за документацією, до телеметрії не потрапляє.

Docling: як користуватися з командного рядка й Python

Docling запускається однією командою в терміналі або п’ятьма рядками в Python-скрипті.

1. Встановлення: pip install docling. Потрібен Python 3.10 або новіший; підтримуються macOS, Linux і Windows.
2. Конвертація з термінала: docling document.pdf — поруч з’явиться .md із вмістом документа.
3. Конвертація PDF у Markdown із Python:

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("document.pdf")
print(result.document.export_to_markdown())

1. Скани кирилицею: додайте мову OCR, наприклад docling scan.pdf --ocr-lang iso:uk (докладніше — у розділі про кирилицю нижче).
2. Складна верстка: VLM-режим вмикається прапорцем docling --pipeline vlm --vlm-model granite_docling document.pdf.

Корисна й маловідома опція — --replace-broken-text-layer. Бувають PDF, які на екрані мають нормальний вигляд, а під час копіювання дають сміття: шрифт не пов’язує гліфи зі справжніми літерами. Docling знаходить такі сторінки (у документації є приклад із кириличним текстом, що перетворився на Îò÷¸ò) і перечитує їх через OCR. За замовчуванням опцію вимкнено.

Як перевірити результат за п’ять хвилин

Відкрийте .md поруч із PDF і пройдіться коротким списком:

• Таблиці: кількість рядків і стовпців збігається, об’єднані комірки не з’їхали.
• Заголовки: рівні #, ##, ### відповідають структурі документа, а не розміру шрифту.
• Цифри: суми, дати й дозування збігаються з оригіналом символ у символ.
• Сміття: пошук за символом � і за колонтитулами, що повторюються на кожній сторінці.

MinerU, Docling, Marker, olmOCR і MarkItDown: 9 критеріїв

Відомості в таблиці — з PyPI, ліцензій і документації проєктів на 2 листопада 2026 року. «н/д» означає, що першоджерело цього не вказує.

Docling vs MinerU vs Marker: кому що підходить

Різницю між Docling і MinerU найкраще показує єдиний знайдений нами незалежний замір на реальному залізі. Автор корейського практикуму на WikiDocs (5 жовтня 2026 року) прогнав п’ятисторінковий скан на MinerU 4.0.10 і Docling 2.132.0 — на відеокарті RTX 3090 і на процесорі з 4 ядрами та 16 ГБ пам’яті:

CER — частка неправильно розпізнаних символів: 0,005 означає одну помилку на 200 знаків, 0,070 — сім на сотню. Час містить завантаження моделей. Висновок практикуму: MinerU точніший, Docling приблизно в 10 разів швидший на процесорі, а без відеокарти MinerU витрачає близько 5 хвилин 40 секунд на сторінку. Текст корейський, але клас завдання — не-латиниця на сканах — той самий, що й у нас.

Звідси практична розвилка:

• Немає відеокарти, документів багато, PDF переважно цифрові — Docling. Ліцензія MIT знімає юридичні питання.
• Є GPU, багато сканів, формул і складних таблиць — MinerU на рівні standard. Перевірте умови ліцензії, якщо у вас великий онлайн-сервіс.
• Потрібен баланс швидкості та якості на GPU — Marker. Для стартапу з виторгом та інвестиціями до $5 млн ваги безкоштовні; великій компанії потрібна ліцензія або хмарний API Datalab.
• Величезний англомовний архів і власна NVIDIA — olmOCR 2.

Спільного переможця серед трьох немає: у кожного своя ніша, і нижче видно, як по-різному їх оцінюють бенчмарки.

Ліцензії парсерів: що дозволено бізнесу і де пастки

Ліцензія — те, на чому найчастіше помиляються чужі огляди. Ось що написано в першоджерелах на 2 листопада 2026 року.

Пастки, на які варто подивитися до впровадження:

1. Застаріле «MinerU — це AGPL». Зміну ліцензії внесли комітом 14 квітня 2026 року, реліз 3.1.0 вийшов 17–18 квітня. Огляд yage.ai від 12 квітня ще писав, що AGPL обмежує комерційне використання, а MinerU не працює на macOS. Сьогодні хибне і те, і те: ліцензію змінили за кілька днів після публікації, а документація 4.1 описує запуск на Apple Silicon. Самі пороги прописано в LICENSE.md репозиторію MinerU.
2. AGPL поширюється на мережу. Якщо змінену версію AGPL-коду ви запускаєте як сервіс, вихідний код зміненої версії треба відкрити користувачам. Це стосується PyMuPDF і, відповідно, pymupdf4llm: його код переїхав у пакет pymupdf 2.x.
3. Код і ваги — різні ліцензії. У Marker відкрито код, але без ваг моделі він не працює, а у ваг свій поріг у $5 млн.
4. «Безкоштовно» не означає «без зобов’язань». Навіть за MIT перевірте ліцензії залежностей і моделей, які інструмент завантажує під час першого запуску.

Це переказ умов, а не юридична консультація: для комерційного продукту текст ліцензії варто показати юристові.

Кирилиця й українська: яку мову OCR вказати і як перевірити

За замовчуванням відкриті парсери читають скани не тією моделлю. У документації Docling це записано прямо: якщо мову не задано (lang=[]), EasyOCR бере англійську, а RapidOCR — спрощену китайську. Без прапорця --ocr-lang рушій використовує свої мови за замовчуванням (таблиця в документації Docling). Для цифрових PDF із текстовим шаром це неважливо, для сканів — критично.

На сторінці Native OCR engines (знято 2 листопада 2026 року) рамкою виділено рядок cyrillic: це родина з 34 мов на кирилиці, серед яких українська. Що з цього випливає для команди:

• Docling + RapidOCR. Коди iso:uk, iso:ru та iso:be зводяться до східнослов’янської моделі eslav (PP-OCR v5). RapidOCR читає одну мову за прогін: якщо їх кілька, бере першу, решту відкидає з попередженням.
• Запасний варіант. Сторонній довідник docling.org (не офіційна документація) повідомляє, що на PyTorch-бекенді RapidOCR код iso:ru видав помилку OcrLanguageNotSupportedError і спрацював лише cyrillic. Якщо побачите таку помилку, пробуйте --ocr-lang cyrillic.
• MinerU. У листопаді 2025 року моделі для кирилиці оновили до PP-OCRv5. У розділі відомих проблем README (редакція гілки 3.0) попереджає, що менш поширеними мовами OCR може плутати символи; у прикладах — латиниця з діакритикою та арабське письмо, кирилицю прямо не названо.
• Marker розпізнає через мультимовну VLM surya, olmOCR 2 AllenAI позиціонує під англомовні документи, Mistral OCR за заявою вендора підтримує 170 мов.

Що відомо про якість на кирилиці

Незалежного тесту парсерів PDF українською ми не знайшли. Єдині «кириличні» цифри — зі статті авторів PaddleOCR-VL (Baidu): на їхньому внутрішньому наборі помилка редагування в MinerU2.5 — 0,832, у PaddleOCR-VL — 0,109 (менше — краще). Це розпізнавання окремих рядків, а не розбір сторінок PDF; MinerU2.5 тут — VLM-модель вересня 2025 року, а не нинішня гілка 4.x; і тест провела зацікавлена сторона.

Корейський практикум дає ще одну підказку: за замовчуванням MinerU basic і Docling використали PP-OCRv6, у якому корейської немає, і обидва провалили скан. Для кирилиці висновок той самий: переконайтеся, що обрана модель узагалі знає вашу абетку.

Третя проблема — гомогліфи, тобто схожі літери з різних абеток. Український розбір webscraft.org наводить приклад «ЗО» замість «30»: OCR підставив кириличну «З» і літеру «О» замість цифр. На око цього не видно, а пошук за числом 30 такого фрагмента не знайде. Тому суми, дати й номери після OCR перевіряйте окремим проходом.

Якщо ваш архів рукописний, зверніть увагу на Rukopys-OCR-4B — українську модель для рукописного тексту на базі Qwen3.5-4B під ліцензією Apache 2.0 (опублікована 25 серпня 2026 року). Для друкованих PDF вона не призначена.

Якому бенчмарку вірити: рейтинги парсерів перевертаються

Майже кожна англомовна добірка «best PDF parser for LLMs» спирається на чийсь бенчмарк. Проблема в тому, що три головні бенчмарки розставляють парсери по-різному, і кожен веде зацікавлена сторона.

Шкали різні: у перших двох — бали зі 100, у третьому — частка від 1. Порівнювати числа між рядками не можна, лише порядок усередині рядка. А порядок перевертається: Docling найкращий із трійки в OpenDataLoader, а в Datalab відстає від MinerU і Marker більш як на 20 балів. У бенчмарку власних авторів MinerU-Pipeline випереджає Marker 1.8.2 на 8 балів, а VLM-модель MinerU2.5-Pro набирає 95,75.

На скриншоті сторінки OpenDataLoader від 2 листопада 2026 року рамкою виділено рядок Docling і дві комірки з ліцензіями: Marker там позначено GPL-3.0, MinerU — AGPL-3.0. Обидві позначки застаріли, і це добрий тест: якщо бенчмарк не оновив ліцензії, ймовірно, він не перевіряв і версії інструментів.

Чому результати розходяться:

• Різні документи. OmniDocBench переважно китайський та англійський, olmOCR-bench — англомовні PDF зі складною математикою і старими сканами.
• Різні метрики. Відстань редагування тексту, збіг структури таблиць (TEDS), юніт-тести на порядок рядків — кожна метрика заохочує своє.
• Різні версії й режими. В OmniDocBench оцінено Marker 1.8.2 і Mistral OCR 2503, а не нинішні версії; Datalab запускав Docling із налаштуваннями за замовчуванням.
• Різне залізо. Datalab вимірював швидкість на сервері з однією B200, OpenDataLoader — на Apple M4.

Самі вендори це визнають. Mistral в анонсі OCR 4 пише, що їхні бенчмарки «орієнтовні», цифри конкурентів — внутрішні відтворення, і радить перевіряти на власних документах. CodeSOTA відкликала власне порівняння швидкості Docling і MinerU: до нього не було ні тестових файлів, ні результатів, ні опису прогону. Тому будь-який «найкращий парсер» без дати, версії й методики — це думка, а не замір.

Хмарний парсер чи власний сервер: ціна 1000 сторінок PDF

Хмарні парсери звільняють від встановлення й відеокарти, але беруть гроші за сторінку й отримують ваші файли. Ціни — за сторінками вендорів на 2 листопада 2026 року (у Mistral — з моменту анонсу OCR 4 23 червня 2026 року); інших джерел, крім самих вендорів, у цих цифр немає.

Як рахували. У LlamaParse 1000 кредитів коштують $1,25, а сторінка в режимі Fast — 1 кредит, Cost-effective — 3, Agentic — 10, Agentic Plus — 45. Отже, 5 000 сторінок у Cost-effective — це 15 000 кредитів, або $18,75; в Agentic Plus — 225 000 кредитів, або $281,25. У режимі Fast ті самі 5 000 сторінок укладаються в безкоштовні 10 000 кредитів. Оцінка AllenAI для olmOCR — менше за $200 за мільйон сторінок, тобто менше за $1 за наш архів без урахування вартості відеокарти.

Час локальної обробки прикинемо за відомими замірами. За корейським практикумом Docling з EasyOCR на 4-ядерному CPU витрачав близько 33 секунд на сторінку скану — 5 000 сторінок забирають приблизно 45 годин. MinerU standard на тому самому процесорі (близько 5 хвилин 40 секунд на сторінку) витратив би на архів майже три тижні безперервної роботи. Обидва заміри містять завантаження моделей, тож це верхня оцінка. На серверній B200 за даними Datalab Marker у режимі balanced видає 2,9 сторінки на секунду (архів — близько 29 хвилин), Docling — 2,1, MinerU — 0,54 сторінки на секунду.

Що відбувається з вашими файлами

• LlamaParse за FAQ зберігає файли 48 годин у кеші, щоб не брати гроші двічі за той самий документ, і не використовує їх для навчання моделей.
• Mistral OCR 4 вміщується в один контейнер, а самостійне розгортання пропонують корпоративним клієнтам — документи лишаються у вас.
• MinerU за документацією не завантажує документи в офіційний хмарний сервіс автоматично: віддалений розбір треба явно налаштувати.
• Docling працює повністю локально, зокрема в ізольованих мережах без інтернету. За описом Red Hat, моделі для цього треба заздалегідь завантажити на машині з доступом до мережі, перенести у внутрішню мережу й увімкнути офлайн-режим.

Для договорів, медичних і фінансових документів це часто важливіше за ціну: локальний парсер безкоштовний не лише за грошима, а й за ризиками витоку.

Коли парсер не підходить: CVE, прихований текст, помилки

Парсер — це код, який відкриває чужі файли, і модель, яка інколи помиляється мовчки. Ось ризики, які варто врахувати до запуску в роботу.

• Прихований текст стає інструкцією для моделі. Текст у невидимому режимі відмальовування PDF людина не бачить, а парсер видобуває його як звичайний текст, і той потрапляє в чанки RAG. Такий випадок описано в issue #4377 бібліотеки Unstructured (25 червня 2026 року). Дослідження на конференції ACM AISec виявило, що атаки через документи спрацьовують у 74,4% із 357 сценаріїв на п’яти популярних завантажувачах даних. Механіка та сама, що в інших атак на агентів, які ми розбирали в матеріалі про атаки через MCP-сервери.
• Уразливості в самому парсері. 23 жовтня 2026 року Docling опублікував пачку попереджень безпеки. Одне з них: визначення формату читає файл усередині ZIP-архіву без обмеження розміру, і маленький архів може вичерпати пам’ять. Ще раніше, 5 жовтня, вийшла CVE-2026-105751: спеціально зібраний .odt змушував Docling відкрити файл за шляхом, заданим атакувальником. Оновлюйтеся й розбирайте чужі документи в ізольованому середовищі.
• Тихе псування даних. Стаття на воркшопі DocInsights 2026 (один автор, 6 парсерів) показала: якщо число в документі спотворилося під час розбору, а текст однаково повернувся, у 96,5% випадків модель відповідає впевнено хибним значенням, а не «не знаю».
• VLM може вигадати таблицю. В issue #90 проєкту socr (обгортка над Qwen3-VL, 22 червня 2026 року) описано, як модель на складних сканах генерує правдоподібні таблиці, яких у документі немає, і звітує статусом «успішно». Це не MinerU і не Docling, але той самий клас інструментів.
• Телеметрія й кеш. Бібліотека документів MinerU за замовчуванням збирає дані про використання, хмарні сервіси тримають файли в кеші — перевірте налаштування до завантаження конфіденційного архіву.

Коли парсер узагалі не потрібен, розібрано на початку статті; додамо лише рукописи — для них потрібна спеціалізована модель.

Що застаріє першим: версії й команди (MinerU змінив синтаксис між 3.x і 4.x, свіжий реліз вийшов у день написання статті), ціни хмарних сервісів і лідерборди бенчмарків. Актуальне дивіться на PyPI, у файлах LICENSE репозиторіїв і на сторінках тарифів.

Перевірте парсер на своїх PDF за годину: мінібенчмарк на 10 сторінок

Лідерборд відповідає на запитання «який парсер кращий на чужих документах». Вам потрібна відповідь на ваших. Ось методика на годину роботи.

1. Зберіть 10 сторінок зі свого архіву: дві звичайні текстові, дві у дві колонки, дві з таблицями (одна — з об’єднаними комірками), одну з формулами чи схемами, дві відскановані (хоча б одну — українською) і одну з колонтитулами та виносками.
2. Проженіть їх через два-три парсери з однаковими налаштуваннями мови: наприклад, Docling на CPU і MinerU на рівні standard. Можна додати хмарний сервіс у межах безкоштовного ліміту.
3. Оцініть чотири речі за шкалою 0–2: порядок читання, таблиці, заголовки й цифри. Цифри звіряйте символ у символ.
4. Запишіть час на сторінку і залізо, на якому запускали.
5. Порахуйте суму балів і помножте час на обсяг архіву. Переможець — той, хто дав прийнятну якість за прийнятний час, а не той, хто перший у чужому рейтингу.

Зведену таблицю зручно вести просто в Markdown: сторінка × парсер × чотири оцінки × секунди. За місяць, коли вийдуть нові версії, той самий набір сторінок покаже, чи варто оновлюватися.

Де ці парсери вже працюють

• RAGFlow — відкритий рушій для RAG — у версії 0.22.0 додав MinerU 2.6.3 як ще один варіант розбору PDF, а поруч — Docling. RAGFlow запускає парсер, читає його результат і додає до бази знань.
• Red Hat описує Docling як доповнення до платформи Red Hat AI і наводить приклад державних установ, яким не можна надсилати документи в публічні хмарні сервіси.
• Сам Docling розвивається під крилом LF AI & Data — це зменшує ризик, що проєкт закриють або змінять ліцензію одним рішенням компанії.

Часті запитання

Чим MinerU відрізняється від Docling і Marker?

MinerU робить ставку на якість складних сторінок і сканів: чотири рівні розбору, VLM на рівні standard, сильні результати на формулах. Docling легший, швидший на процесорі й поширюється під MIT. Marker тримає баланс швидкості та якості на відеокарті, але ваги його моделі платні для компаній із виторгом або інвестиціями понад $5 млн.

Чи можна використовувати MinerU в комерційному проєкті після зміни ліцензії?

Так, із квітня 2026 року MinerU поширюється під Apache-2.0 з додатковими умовами. Окрема ліцензія потрібна, якщо в продукту понад 100 млн активних користувачів на місяць або виторг понад $20 млн на місяць. Онлайн-сервіс для третіх осіб мусить помітно зазначити, що використовує MinerU, в інтерфейсі чи публічній документації.

Який парсер краще читає українські скани?

Незалежного порівняння українською ми не знайшли, тож відповідь дасть лише тест на ваших файлах. Обов’язкова умова — явно задати мову OCR: у Docling це iso:uk, eslav або cyrillic, інакше скан прочитає англійська чи китайська модель. Після OCR окремо перевіряйте цифри: кирилична «З» легко підміняє трійку.

Чи потрібна відеокарта, щоб запустити MinerU або Docling?

Ні, обидва працюють на процесорі. Docling розрахований на звичайний комп’ютер, а MinerU на рівні basic обходиться без VLM. Але зі сканами різниця велика: у незалежному замірі MinerU standard на 4-ядерному CPU витрачав близько 5 хвилин 40 секунд на сторінку, а Docling з EasyOCR — близько 33 секунд. Для продуктивного запуску MinerU документація радить закладати від 16 ГБ RAM.

Навіщо конвертувати PDF у Markdown, якщо Claude читає PDF сам?

Для разових запитань конвертувати не треба. Але Claude під час кожного запиту обробляє сторінку як текст і зображення — зазвичай 1 500–3 000 токенів тексту плюс зображення, і платите ви щоразу. Markdown отримують один раз, далі він дешевий, ріжеться на чанки для RAG і не впирається в ліміт 600 сторінок на запит.

Чи безпечно завантажувати конфіденційні PDF у хмарні парсери?

Лише якщо вас влаштовують умови сервісу: документ у будь-якому разі залишає вашу інфраструктуру. LlamaParse, наприклад, тримає файли в кеші 48 годин і обіцяє не навчати на них моделі. Для договорів, медичних і фінансових даних надійніший локальний MinerU чи Docling або Mistral OCR, розгорнутий у власній мережі: таке розгортання Mistral пропонує корпоративним клієнтам.