企业官网建设流程全解析

Dolphin 文档解析：PDF 转 Markdown 的两阶段开源方案

【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

拿到一份双栏排版的学术论文，想把它变成可编辑、能直接喂给 LLM 的 Markdown，最头疼的从来不是文字识别，而是版式、表格和公式怎么还原。Dolphin 是字节跳动开源的文档图像解析模型（ACL 2025），核心任务就是 PDF 转 Markdown：先把页面切出版式与阅读顺序，再对文本、表格、公式、代码分而治之。

⚡ 3 分钟跑通第一次转换

git clone https://gitcode.com/GitHub_Trending/dolphin33/Dolphin cd Dolphin pip install -r requirements.txt

模型权重放在 Hugging Face，用 CLI 拉到本地：

pip install huggingface_hub huggingface-cli download ByteDance/Dolphin-v2 --local-dir ./hf_model

对仓库自带的示例页面跑一条解析命令，--input_path指向图片、PDF 或整个目录：

python demo_page.py --model_path ./hf_model --save_dir ./results \ --input_path ./demo/page_imgs/page_1.png

跑完在./results下看三样东西：markdown/page_1.md是转换好的 Markdown，output_json/page_1.json带每个元素的 bbox 与阅读顺序，layout_visualization/是版式框可视化。

能力拆解：按内容类型各管一段

版式分析与阅读顺序

解析分两阶段。第一阶段只做版式：定位标题、段落、表格、公式等元素框并给出阅读顺序；第二阶段再按顺序逐元素解析内容。双栏论文按"读完左栏再右栏"的顺序输出，而不是按物理位置乱排。标题元素会按 sec_0 到 sec_5 映射成#到###的 Markdown 层级。想只看版式不解析内容，跑python demo_layout.py --model_path ./hf_model --input_path <图片>即可。

表格结构化提取

表格元素输出为 HTML<table>标签，保留行列结构，默认路径会自动从模型输出里抽出干净的 table 标签。手上有裁剪好的单张表格图时，直接走元素级接口：--element_type table。

公式转 LaTeX

公式被识别为独立块，转成$$...$$包裹的 LaTeX，上下标、分式、范数符号这类结构都会保留。单个公式截图可以单独丢给元素级接口：--element_type formula。

代码块识别

代码区域会被标成 code 标签，输出时包进围栏代码块，注释与缩进都保留：--element_type code可单独处理代码截图。

元素到 Markdown 的拼装逻辑集中在 MarkdownConverter，想弄清某类元素的输出格式，读它最快。

进阶调优：遇到 X 就加 Y

• 元素多、想加快解码：--max_batch_size 8，默认 4，控制同一次并行解码的元素数。
• 公式或表格输出有小瑕疵（重复尾巴、多余 quad）：加--post_process开启后处理。
• 只想核对版式框：换用demo_layout.py，只输出 bbox、标签和阅读顺序。
• 只有裁剪好的元素图：用demo_element.py --element_type <text|table|formula|code>，配--print_results直接看控制台输出。
• 批量处理：--input_path指向目录即可，多页 PDF 会自动拆页并合成一份带分页线的 md。

效果验证

下面是一段双栏论文页的实际演示，完整走一遍 PDF 转 Markdown：左侧是原始页面，右侧按阅读顺序并行解析出的内容。

版式先定顺序、内容再并行解码，这是它对双栏长文档比较稳的原因；输出顺序和原文阅读习惯一致，不用人工重排。

排障清单

• PDF 报 "Failed to convert PDF" → 多为加密或损坏文件，重新导出后再试。
• 表格或公式格式异常 → 加--post_process切换后处理路径。
• 长输出结尾出现重复内容 →--post_process会截断重复尾巴。
• 怀疑版式框错位 → 打开layout_visualization/里的可视化图核对 bbox。
• CPU 上推理太慢 → 无 CUDA 时模型以 float 运行，建议放 GPU 用 bfloat16。

Dolphin 把版式分析和内容解析拆成两阶段，让 PDF 转 Markdown 不再靠单一 OCR 硬扛所有元素。克隆仓库，把权重拉到./hf_model，跑起你的第一份转换。

【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