最近刚好在做企业级知识库系统构建，顺带测试了几款强大的开源文档解析工具，目标初步限定为paddleocr，minerU，和LiteParse。
先看总体对比：
表格中为官方介绍，但是有一些不太准确，比如PaddleOCR 也是支持 office文档的。
MinerU 解析文档的速度可能完全达不到200页每分钟，实际上在一般的显卡电脑上一个10多页的扫描 pdf 可能耗时10多分钟。
paddleOCR也一样。
如果就速度比较的话，LiteParse的确是快，但是质量就不保证了，因为对于OCR 扫描文档，如果不开启ocr功能的话，可能一个字都识别不了。
MinerU 和 paddleOCR 特别消耗显存，它们适合单文档精雕细琢的处理。
但是 MinerU 和 paddleOCR 在识别质量上也有区别。
下面通过几个例子来对比测试。
识别截图
用LiteParse解析不到1秒，但是结果是这样的：
解析的标题头丢失了，这样解析后的数据就废了。
再来看看MinerU 花费 55秒的结果：
干干净净而且还保留了表格的样式。
再来看看PaddleOCR 花费 20 秒的结果：
处理Excel报表数据
比如这样的excel报表，包含了多个sheet：
用MinerU 20秒 解析的结果：
完美对应，并且支持多个sheet 的解析。
用PaddleOCR 2秒出结果：
多个sheet 之间的分割，比MinerU更友好一些。
用LiteParse 耗时5.5秒，解析的表头没有对应上：
而且这次LiteParse的速度完全没有跟上Paddle，属于速度翻车异常。
pdf解析
比如下面的30页pdf文档：
用LiteParse 0.2秒解析30页pdf文档：
LiteParse 速度倒是很快，可惜格式错乱。
再看MinerU解析的效果：
用PaddleOCR 2秒出结果：
word文档解析
对这样一篇word 文档：
用MinerU，20秒出结果：
PaddleOCR 2秒出结果：
相比起来 MinerU格式排版要好一些。
而3秒出结果的LiteParse 表现也不错：
最后我们来测试下知识库的检索效果：
最后做一个小结：总体而言，对纯文字类型的文档，如果不太在意格式和排版，LiteParse 无论是速度还是资源占用都完胜其他系统。
如果综合考虑速度与格式、排版、质量，而不是扫描文档，使用PaddleOCR是最佳选择。
如果是扫描文档，优先MinerU，其次是PaddleOCR。因为后者占用资源可能会导致系统崩溃。
最后，如果你不知道怎么选，这个系统已经将多种解析工具整合为智能解析工具，它会根据文档内容类型，自动路由最合适的解析工具：
关于本系统的详细介绍可以参看：
详细文档参考：
https://my.feishu.cn/wiki/WkDQwyqgeiZ5yfk2CKnclbDBn8f
