pymupdf4llm

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. 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

   复制

2. 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. 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")

   复制

4. 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

   复制

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

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。