pymupdf4llm
把 PDF 一键转成 LLM 爱读的 Markdown
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-09-16 · 当前星标 ★ 2289
使用教程
ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。
环境要求
- 可运行 Python 的环境（本库为 Python 包）
- pip 包管理工具
- 如需处理扫描版 PDF，需另行安装 Tesseract 及其语言包
- 无需 GPU、无需云端服务、不消耗 Token
安装与启动步骤
-
1安装 pymupdf4llm
一条 pip 命令即可完成安装，会自动安装或升级 PyMuPDF 与 PyMuPDF Layout 依赖。
pip install pymupdf4llm -
2安装 Tesseract（可选）
仅处理扫描件或需要 OCR 时需要。README 只说明要安装 Tesseract 及所需语言包，未给出具体命令，请按系统方式自行安装。
-
3编写转换脚本
新建 Python 文件，导入库并调用 to_markdown 传入 PDF 路径，返回结果即 LLM 友好的 Markdown 文本。
import pymupdf4llm md = pymupdf4llm.to_markdown("research-paper.pdf") -
4运行并接入下游
执行脚本，把得到的 md 字符串直接喂给 LLM、向量库或分块器；扫描件同样用该接口，会自动 OCR。
python convert.py
如何确认成功
脚本运行无报错并返回 Markdown 字符串，内容中出现识别出的标题、表格等结构化文本，即表示转换成功。
常见问题
Q：需要 GPU 或调用云端 API 吗？
A：不需要。README 明确说明无需 GPU、云端和 Token，只要机器能跑 Python 即可本地运行。
Q：扫描版 PDF 能处理吗？
A：可以。库内置智能 OCR，只对需要识别的区域做 OCR，跳过干净文本；但需先安装 Tesseract 及对应语言包。
Q：安装时会连带装什么？
A：pip install pymupdf4llm 会自动安装或升级 PyMuPDF 与 PyMuPDF Layout 两个依赖。
Q：支持哪些输出格式？
A：README 说明开箱支持 Markdown、JSON 和纯文本三种输出，示例展示的是 to_markdown。
注意事项
- 默认行为无需任何配置，安装后即可直接转换。
- OCR 依赖 Tesseract，README 未给出具体安装命令，需按操作系统自行安装语言包。
- 该库只做 PDF 到 Markdown 的转换，不包含向量库或问答服务，需自行接入下游。
核心亮点
- 基于 PyMuPDF 解析，转换速度快、依赖轻，无需额外模型或 GPU
- 输出保留标题、列表、表格和图片结构，比纯文本抽取更适合 RAG
- 官方维护，提供逐页、批量及 LlamaIndex 集成示例，上手成本低
不足之处
- 复杂版式（多栏、扫描件、公式）转换质量有限，扫描件仍需 OCR 配合
- 功能聚焦 PDF 转 Markdown，缺少分块、向量化等下游能力
适用场景
- 把企业 PDF 手册批量转成 Markdown 构建 RAG 知识库
- 将论文、报告转为结构化文本后喂给 LLM 做摘要与问答
- 在 LlamaIndex/LangChain 流程中作为 PDF 加载器使用
替代项目
marker、unstructured、docling
上一篇：PPT-Design-Skill
下一篇：LLMFeeder
同类项目推荐
tools
开源
浏览器打开就能用的小工具百宝箱，零安装零登录
Assorted useful tools, almost entirely generated using LLMs
Portwood
开源
在 Salesforce 里直接批量生成 PDF/Office 文档，不依赖外部服务
Free, native document generation for Salesforce. PDF, DOCX, XLSX, PPTX — merge tags···
OneClip
开源
复制过的内容随时找回，截图OCR翻译一个App全搞定
OneClip——A simple and professional native clipboard manager for macOS ｜干净美观的···
formkiq-core
开源
在自家 AWS 里搭一套可搜索的文档管理平台
Open-source document management platform leveraging AWS managed services. RESTful AP···
LandPPT
开源
输入文档一键生成专业PPT，省时又省力
一个基于LLM的演示文稿生成平台，能够自动将文档内容转换为专业的PPT演示文稿。平台支持多···
doclytics
开源
给 paperless-ngx 接上本地大模型，文档自动读懂并打标
A document analyzer for paperless-ngx using ollama
ChatCopilot
开源
微信聊天记录自动抓取，实时落库随时查
ChatCopilot 是一款用 golang 实现的获取聊天记录并支持实时存储到数据库的工具，支持在 M···
ThunderAI
开源
在 Thunderbird 里直接调用 AI，写邮件、总结、翻译一键搞定。
ThunderAI is a Thunderbird Addon that uses the capabilities of ChatGPT, Gemini, Clau···
QOwnNotes
开源
用纯文本文件管理笔记和待办，轻松同步到 Nextcloud
QOwnNotes is a plain-text file notepad and todo-list manager with Markdown support a···