PyMuPDF4LLM 的 2.1 發行有一個安裝差異:同名套件是相容用途的空套件,4LLM 實作已移入 PyMuPDF 2.x。本次安裝 pymupdf4llm==2.1,依賴解析得到 pymupdf==2.1,再用原 import pymupdf4llm 介面轉換兩份合成 PDF。文字能保留;沒有文字且關閉 OCR 的檔案只回傳空白。
要比較同一份文件的輸出,可再看 MarkItDown 的驗收項目與 Docling 的表格檢查,分別核對文字、欄位與閱讀順序。
先確認安裝的是哪個實作
官方 repository 的 README 說明這次搬移,並建議改安裝 pymupdf。為了可重跑,下方指令明列兩個 2.1 版本,而不是讓日後相依解析選到別版。不要把舊版文章的套件大小或依賴行為直接套用到 2.1。
製作有文字與無文字的對照
使用 pymupdf.open() 建立第一份單頁 PDF,在 (72,72) 放 Dispatch NOTE-31 leaves at 08:30.。第二份只畫一個矩形,不放文字。它是用來測沒有文字層的結果,不是掃描照片,也不能代表所有掃描文件。
以下為 POSIX shell 指令;本次在 Linux 容器測試,未測 Windows shell。
python -m pip install "pymupdf==2.1" "pymupdf4llm==2.1"
python - <<'PY'
import pymupdf4llm
for name in ["text.pdf", "no-text.pdf"]:
text = pymupdf4llm.to_markdown(name, use_ocr=False)
print(name, repr(text), bool(text.strip()))
PY
明確關閉 OCR 後看輸出
to_markdown(..., use_ocr=False) 對第一份保留完整句子,第二份只有空白;兩份來源雜湊前後一致。管線應檢查去掉空白後是否有內容,再決定送往搜尋或 RAG。空結果不等於程式當掉,也不能自行補上文件沒有提供的文字。
未測範圍與適用選擇
OCR、多欄排版、表格、頁面分塊與圖片處理依官方文件 v2.1 整理,未本地實測;這次沒有準確率或效能比較。若你要處理 Word 或 HTML 表格,Docling 的既有母頁有另一種輸入實測。選擇前先看原始檔的文字層與需要保留的結構,再用已知答案樣本驗收。
官方來源與測試範圍
本次為 Codex 在無發布憑證、非 root、斷網容器執行的合成資料測試,不代表站長親測。套件版本為 2.1;文件快照為 1200f2aea929。