如果後續程式用欄名讀取 Word 資料,先測 Docling Slim。如果只需要把 HTML 轉成可讀文字,兩款工具都保留了這次樣本的表頭、資料列和連結。真正影響選擇的差異出現在 Word,MarkItDown 把欄名留在內文,卻把 Markdown 表頭留白。
如果你的輸入主要是 PDF,可再比較 PyMuPDF4LLM 的 PDF 轉 Markdown 流程,用自己的頁面核對閱讀順序與表格,不把這次 Word/HTML 結果直接套用到 PDF。
讓兩款工具接收同一份輸入
團隊把同一份寄件資料做成合成 Word 與 HTML。兩個檔案都有 Shipping brief、BOX-17、Route 和 Cutoff,以及台北 08:30 和台南 16:45。只有 HTML 有 Shipping terms 超連結,且用 <th> 標記表頭。DOCX 的欄名放在一般的第一列,未設定重複表頭。每種檔案各交給兩款工具,兩次讀取同一批來源。
| 驗收項目 | Docling Slim 2.150.1 | MarkItDown 0.1.9 |
|---|---|---|
| Word 的 Markdown 表頭 | Route 和 Cutoff |
兩欄空白,原欄名在下一筆資料列 |
| 兩個格式的城市與時間 | 保留兩組對應 | 保留兩組對應 |
| Word 標題 | ## Shipping brief |
# Shipping brief |
| HTML 連結 | 保留網址 | 保留網址 |
| 程式讀取表格 | 實測從文件物件取得一張結構化表格 | 本次使用 CLI 的 Markdown 輸出 |
用你下游需要的東西來驗收
如果結果會交給用欄名解析的程式,先檢查 Markdown 的第一列。若你需要結構化儲存格,用 Docling 的 document.tables 檢查表格數量,再對照原檔找一列關鍵值。若只用 Markdown 做全文索引,先核對編號和數值。切章節時也要核對標題層級。
要在本機試,分開建 Python 3.12 虛擬環境。MarkItDown 安裝 python -m pip install "markitdown[pdf,docx]==0.1.9" 後執行 markitdown shipping.docx。Docling 則安裝 python -m pip install "docling-slim[format-docx,format-html]==2.150.1",從 docling.document_converter 匯入 DocumentConverter,用 DocumentConverter().convert("shipping.docx").document 取得文件,再呼叫 export_to_markdown()。以工作中常見的欄名重跑一次,再做整批選擇。
適用範圍
這次比較只驗了同一個簡單表格的 Word 和 HTML,未比較 OCR、PDF 版面、速度或大型目錄。文件樣式不同也可能產生不同的欄名結果。 Docling Slim 套件與格式選項 · Microsoft MarkItDown 0.1.9。