3条命令Dolphin把PDF转Markdown一次跑通【免费下载链接】DolphinThe official repo for “Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting”, ACL, 2025.项目地址: https://gitcode.com/GitHub_Trending/dolphin33/Dolphin从 PDF 里选中一个公式复制出来常常是一串乱码表格粘进 Markdown 后行列又散开了。Dolphin 是一个开源的 PDF转Markdown 工具能把整页文档解析成正文、表格、LaTeX 公式和代码块。它是什么 Dolphin 的思路是先定位、再解析第一段先用视觉模型判断整页版式和阅读顺序给出每个元素的坐标框第二段再逐个元素解析内容最后按阅读顺序拼回结果。它覆盖四类核心能力版式分析输出每个元素的 bbox 坐标和阅读顺序多页 PDF 逐页处理元素解析正文、表格、公式、代码各走一条提示词并行解码双格式输出Markdown 供人读JSON 带坐标和标签供程序用输入灵活单页图片或整份 PDF 都能进demo_page.py 默认把结果落到markdown/和json/目录快速开始装到能跑通只需要三条命令git clone https://gitcode.com/GitHub_Trending/dolphin33/Dolphin cd Dolphin pip install -r requirements.txt第一条把仓库拉到本地第二条进目录第三条按 requirements.txt 装依赖。脚本默认从./hf_model加载模型首次使用要先按 README 把预训练模型放到该目录。装好后跑一次整页转换python demo_page.py --model_path ./hf_model --save_dir ./results --input_path ./demo/page_imgs/page_1.png把--input_path换成你自己的 PDF 或图片路径转换结果就会写到./results里。转换能力拆解 整页转换按元素类型分别处理下面是每类元素落到 Markdown 的样子。正文转 Markdown 文本正文段落走读文本提示识别结果按阅读顺序排好后输出成 Markdown 普通段落段落之间保留换行层级标题转成#。PDF 表格识别成 Markdown 表格表格走解析表格提示输出用|分隔的 Markdown 表格单元格里的数字、上下标保持原样行列对齐不错位。公式转 LaTeX 的处理方式公式走读公式提示直接输出 LaTeX分式、范数、上下标和期望符号都能还原贴进支持数学公式的编辑器即可渲染。代码块转 Markdown 代码块代码走读代码提示输出用三个反引号包起来的代码块缩进和关键字都保留便于直接复用。进阶参数整页转换之外还能按元素单独处理。三个入口的作用和使用时机入口作用适用时机demo_layout.py只输出版式各元素 bbox 和阅读顺序不解析内容想先确认版面和阅读顺序识别得对不对调试用demo_element.py--element_type formula单独把一张公式图转成 LaTeX整页转换里某个公式识别错想单独重跑demo_element.py--element_type code单独把一张代码图转成代码块代码块识别不佳单独处理想单独重跑一张公式图用下面这条命令python demo_element.py --model_path ./hf_model --element_type formula --input_path ./demo/element_imgs/block_formula.jpeg效果一览 ▶️演示里能看到四类元素被并行解码batch_size4正文、表格、公式、代码各自出结果再按阅读顺序拼回整页。避坑指南 公式输出成了普通文本、上下标丢了整页转换时这个元素可能被当成了段落。→ 用demo_element.py --element_type formula单独重跑那张公式图。多页 PDF 输出不完整或顺序不对页面是先渲染成约 896px 的图再解析小字号容易糊。→ 先确认每页文字清晰必要时放大后单独处理。当前目录找不到 .md 文件Markdown 写在--save_dir指向的markdown/子目录里不在当前目录。→ 检查--save_dir指向哪里。先拿手边一份 PDF 跑一遍demo_page.py把markdown/里的输出和原文对一遍。哪类元素不对就用demo_element.py单独重跑那一项。想顺手清理输出再给命令加上--post_process。【免费下载链接】DolphinThe official repo for “Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting”, ACL, 2025.项目地址: https://gitcode.com/GitHub_Trending/dolphin33/Dolphin创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考