Парсинг PDF для RAG: сравнение Docling, Marker, MinerU, PaddleOCR и olmOCR

Парсер PDF для RAG выбирают по трём вопросам: какие у вас документы, где разрешено их обрабатывать и что позволяет лицензия. Для смешанного корпуса офисных документов на русском разумно начать с Docling (код под MIT) с явно включённым русским языком в OCR. Для сканов и сложной вёрстки стоит сравнить MinerU и PaddleOCR-VL. Marker силён на цифровых PDF, но коммерческое использование его весов бесплатно только для компаний с выручкой или финансированием до 5 млн долларов. olmOCR требует GPU и подходит для больших архивов сканов. Победителя на чужом бенчмарке нет: проверяйте кандидатов на 30–50 своих самых трудных страницах.

Сравнение подготовила команда AIrassvet 20 октября 2026 года для ИТ-директоров, архитекторов и руководителей проектов, которые строят RAG — поиск и ответы ИИ по корпоративным документам. Версии, лицензии и возможности мы сверили по репозиториям и документации на GitHub 20 октября 2026 года. Собственного теста качества мы не проводили: все цифры точности ниже — заявления разработчиков.

Содержание

Кратко
Почему парсинг определяет качество RAG
Что сравниваем и что не входит в обзор
Сводная таблица
Docling
Marker
MinerU
PaddleOCR: PP-StructureV3 и PaddleOCR-VL
olmOCR
Unstructured
Лицензии: что проверить юристу
Когда что выбирать
Как проверить парсер на своих документах
Как мы сравнивали
Частые вопросы
Первоисточники

Кратко

Docling — универсальный вариант для смешанного корпуса: код под MIT, много форматов, работа без интернета. Язык OCR нужно задать явно: по умолчанию EasyOCR распознаёт английский, а RapidOCR — упрощённый китайский.
Marker — сильные результаты на цифровых PDF по собственному тесту разработчика. Код под Apache-2.0, но веса моделей бесплатны для коммерции только до 5 млн долларов выручки или финансирования.
MinerU — сложная вёрстка, формулы и сканы, работает даже на CPU. Лицензия Apache-2.0 с дополнительными условиями: подпись для онлайн-сервисов и отдельная лицензия при выручке больше 20 млн долларов в месяц.
PaddleOCR — PaddleOCR-VL-1.6 размером 0,9 млрд параметров заявляет 96,3% на OmniDocBench v1.6 и поддерживает русский. Новая единая модель PP-OCRv6 кириллицу в список своих 50 языков не включает.
olmOCR — модель на 7 млрд параметров для больших архивов. Нужна видеокарта NVIDIA от 12 ГБ памяти.

Почему парсинг определяет качество RAG

RAG (Retrieval-Augmented Generation) — схема, в которой ИИ сначала находит в базе фрагменты документов, а затем отвечает с опорой на них. Парсинг — первый шаг этой схемы: превращение PDF, сканов и офисных файлов в текст с сохранённой структурой — заголовками, таблицами, порядком чтения. Ошибки на этом шаге дальше не исправляются: если таблица превратилась в набор чисел без строк и столбцов, ни векторный поиск, ни языковая модель не восстановят, какая цифра к какой строке относится.

Типичные проблемы парсинга в корпоративных документах:

Порядок чтения. В двухколоночной вёрстке строки соседних колонок склеиваются.
Таблицы. Объединённые ячейки и таблицы на несколько страниц теряют структуру.
Сканы. Текстового слоя нет, качество зависит от OCR и языка распознавания.
Колонтитулы и номера страниц попадают в текст и мешают поиску.
Печати, подписи и рукописные пометки распознаются как мусор или пропадают.

Как устроена RAG-система целиком, мы разбирали в статье «RAG-система для бизнеса», а как хранятся и ищутся фрагменты после парсинга — в материале «Что такое векторная база данных».

Что сравниваем и что не входит в обзор

Мы сравниваем инструменты с открытым кодом, которые можно развернуть на своих серверах: Docling, Marker, MinerU, PaddleOCR, olmOCR и библиотеку Unstructured. Облачные сервисы распознавания документов, коммерческие IDP-платформы и извлечение полей из типовых форм — счетов, накладных, паспортов — в обзор не входят. Это отдельная задача, о ней — в статье «OCR и распознавание документов для бизнеса». Чертежи и спецификации требуют отдельных моделей — мы разбирали их в материале «Распознавание чертежей и спецификаций с ИИ».

Сводная таблица

Данные на 20 октября 2026 года по репозиториям на GitHub и документации разработчиков.

Инструмент	Лицензия кода	Лицензия моделей и условия	Последний релиз	Железо	Русский язык
Docling	MIT	По лицензиям пакетов моделей	v2.140.0, 16.10.2026	CPU, есть VLM-режимы	Через OCR-движок, язык задаётся явно
Marker	Apache-2.0	Модифицированная OpenRAIL-M: бесплатно до 5 млн долларов выручки или финансирования	v2.0.0, 20.07.2026	GPU, CPU, Apple MPS	Заявлены все языки
MinerU	Apache-2.0 с доп. условиями	Отдельная лицензия при MAU больше 100 млн или выручке больше 20 млн долларов в месяц	4.0.12, 11.10.2026	CPU в базовом режиме, GPU от 8 ГБ для лучших режимов	Не проверено
PaddleOCR	Apache-2.0	Apache-2.0	v3.7.0, 11.06.2026	CPU, GPU и другие ускорители	PaddleOCR-VL: 109 языков, включая русский
olmOCR	Apache-2.0	Модель на базе VLM с 7 млрд параметров	v0.4.27, 12.03.2026	NVIDIA GPU от 12 ГБ	Не заявлен
Unstructured	Apache-2.0	Открытая библиотека бесплатна; лучшие модели — в платном API	0.27.30, 19.10.2026	CPU	Через OCR-движок

«Не проверено» и «не заявлен» означают, что в изученной документации нет прямого утверждения о русском языке. Это не значит, что русский не работает, — его нужно проверить на своих документах.

Docling

Docling разбирает PDF, DOCX, PPTX, XLSX, HTML, изображения, письма EML и MSG, аудио и другие форматы в единое представление DoclingDocument. Его можно выгрузить в Markdown, HTML или JSON без потерь. Для PDF Docling определяет макет страницы, порядок чтения, структуру таблиц, код и формулы. Разработчики отдельно указывают работу без интернета и в изолированных контурах. Есть готовые интеграции с LangChain, LlamaIndex, Crew AI и Haystack, MCP-сервер и серверная версия docling-serve.

Главное для русскоязычных документов — OCR. По документации Docling поддерживаются движки RapidOCR, Nemotron-OCR, EasyOCR, ocrmac, Tesseract (CLI) и tesserocr. Если язык не задан, EasyOCR распознаёт английский, а RapidOCR — упрощённый китайский. Поэтому для русских сканов язык нужно указать явно, например rus для Tesseract или iso:ru в переносимой записи.

Плюсы: разрешительная лицензия кода, широкий набор форматов, структурированный вывод для RAG. Минусы: у моделей внутри пакетов свои лицензии, их нужно проверить отдельно; качество на сканах зависит от выбранного OCR-движка.

Marker

Marker конвертирует PDF, изображения, PPTX, DOCX, XLSX, HTML и EPUB в Markdown, JSON, HTML и готовые фрагменты (chunks), форматирует таблицы, формы, формулы и блоки кода. У него два режима: balanced для GPU, который использует VLM-модель Surya для разметки страницы и OCR, и fast для CPU, который берёт текстовый слой PDF и подключает модель только для проблемных блоков.

Разработчик заявляет, что режим balanced набирает 76,0% на olmocr-bench (1 403 PDF) и 83,5% на цифровых PDF — выше MinerU и Docling. Это собственный замер Datalab на стороннем бенчмарке, а не независимое сравнение.

Важно для закрытого контура: флаг --use_llm повышает точность за счёт внешней языковой модели, и по умолчанию это gemini-3.5-flash. Для документов, которые нельзя передавать за периметр, этот режим нужно либо отключить, либо направить на локальную модель через Ollama или OpenAI-совместимый сервер.

Лицензия. Код распространяется по Apache-2.0, а веса моделей — по модифицированной лицензии AI Pubs Open Rail-M: бесплатно для исследований, личного использования и стартапов с финансированием или выручкой до 5 млн долларов. Остальным для коммерческого использования весов нужна платная лицензия Datalab.

MinerU

MinerU разбирает PDF, сканы, DOC и DOCX, PPT и PPTX, XLS и XLSX, RTF, ODT, EPUB, OFD, HTML и CSV. Разработчики выделяют сложные макеты, таблицы, формулы и стабильные ссылки на страницу и блок — это удобно, когда RAG должен показывать, откуда взят ответ.

MinerU работает в нескольких режимах. Базовый режим basic на ONNX запускается на CPU и требует около 2 ГБ оперативной памяти. Режимы standard и advanced используют VLM-модель: на CPU с llama.cpp они требуют 8 ГБ оперативной памяти, а с PyTorch и vLLM — 16 ГБ памяти и видеокарту от 8 ГБ.

Лицензия. Лицензия MinerU — Apache-2.0 с дополнительными условиями. Коммерческое использование разрешено без отдельной лицензии, пока у вас с аффилированными лицами меньше 100 млн активных пользователей в месяц и выручка не больше 20 млн долларов в месяц. Если вы предоставляете на основе MinerU онлайн-сервис третьим лицам, нужно заметно указать, что используется MinerU. При нарушении этих условий лицензия прекращается автоматически.

PaddleOCR: PP-StructureV3 и PaddleOCR-VL

PaddleOCR из экосистемы PaddlePaddle распространяется под Apache-2.0 и предлагает два пути для документов:

PP-StructureV3 превращает сложные PDF и изображения в Markdown или JSON с координатами текста и ячеек таблиц. Это полезно, если нужно подсвечивать найденный фрагмент на странице.
PaddleOCR-VL-1.6 — компактная VLM-модель на 0,9 млрд параметров для разбора документов. Разработчики заявляют 96,3% на OmniDocBench v1.6 и лучшие результаты в распознавании текста, формул и таблиц.

С русским языком нужна внимательность. PaddleOCR-VL поддерживает 109 языков, и в описании прямо названы русский язык и кириллица. При этом новая единая модель распознавания PP-OCRv6 покрывает 50 языков: китайский, английский, японский и 46 языков на латинице. Кириллицы в этом списке нет, поэтому для русских документов выбирайте PaddleOCR-VL или многоязычные модели предыдущего поколения и проверяйте результат.

olmOCR

olmOCR от Allen Institute for AI конвертирует PDF, PNG и JPEG в Markdown с естественным порядком чтения, удаляет колонтитулы и поддерживает формулы, таблицы и рукописный текст. Основа — VLM-модель на 7 млрд параметров, поэтому нужна видеокарта NVIDIA: в документации указаны протестированные RTX 4090, L40S, A100 и H100 и минимум 12 ГБ видеопамяти.

Разработчики оценивают стоимость обработки менее чем в 200 долларов за миллион страниц и поддерживают собственный бенчмарк olmOCR-Bench: более 7 000 тестов на 1 400 документах. Последний релиз вышел 12 марта 2026 года — это старше, чем у остальных инструментов обзора. Поддержку русского языка документация не описывает.

Unstructured

Unstructured — библиотека под Apache-2.0 для разбора PDF, HTML, документов Word и других форматов на отдельные элементы документа, которые затем удобно резать на фрагменты для RAG. Её ценят за коннекторы и удобную интеграцию в конвейеры данных. Разработчики прямо пишут, что открытая библиотека остаётся бесплатной, а более точные модели доступны в платном облачном Transform v2 API. Для закрытого контура это значит, что вы работаете с открытой версией и её OCR-движком.

Лицензии: что проверить юристу

Инструмент	Что разрешено	Где ограничение
Docling	Код под MIT: использование, изменение, коммерция	Лицензии моделей в отдельных пакетах
Marker	Код под Apache-2.0	Веса: бесплатно до 5 млн долларов выручки или финансирования, дальше платная лицензия
MinerU	Apache-2.0, коммерция разрешена	Отдельная лицензия выше 100 млн MAU или 20 млн долларов выручки в месяц; подпись для онлайн-сервисов
PaddleOCR	Apache-2.0	Лицензии конкретных моделей проверьте на их страницах
olmOCR	Apache-2.0	Лицензии весов модели проверьте на Hugging Face
Unstructured	Apache-2.0 для открытой библиотеки	Лучшие модели — только в платном API

Для интегратора, который встраивает парсер в продукт для клиентов, критичны условия Marker и MinerU. Для компании, которая разбирает свои документы внутри, ключевой вопрос обычно один: не уходят ли данные во внешний API.

Когда что выбирать

Ваша ситуация	С чего начать	Почему
Смешанный корпус: договоры, регламенты, презентации, таблицы	Docling	Много форматов, MIT, структурированный вывод для RAG
Много сканов на русском	PaddleOCR-VL и Docling с Tesseract `rus`	Русский заявлен явно, есть выбор OCR-движков
Научные и технические документы с формулами и сложной вёрсткой	MinerU, Marker	Оба делают упор на формулы, таблицы и макет
Цифровые PDF, компания с выручкой до 5 млн долларов	Marker	Сильные заявленные результаты, бесплатные веса для такого размера бизнеса
Архив в миллионы страниц, есть GPU	olmOCR, MinerU в режиме с vLLM	Рассчитаны на пакетную обработку
Нужно подсвечивать фрагмент на странице	PP-StructureV3, MinerU	Координаты блоков и стабильные ссылки на страницу и блок
Нет GPU, сервер только с CPU	Docling, MinerU basic, Marker fast	Работают на CPU
Данные нельзя выносить за периметр	Любой из обзора в локальном режиме	Отключите внешние LLM-режимы, например `--use_llm` в Marker

Частая рабочая схема — два парсера: быстрый для цифровых PDF с текстовым слоем и тяжёлый VLM-парсер только для сканов и страниц, где быстрый не справился.

Как проверить парсер на своих документах

Соберите тестовый набор из 30–50 самых трудных страниц: сканы, двухколоночная вёрстка, многостраничные таблицы, печати, формулы. Простые страницы почти все парсеры обрабатывают хорошо и мало что показывают.
Подготовьте эталон для каждой страницы: правильный текст, структуру таблиц и порядок разделов.
Прогоните два-три кандидата с одинаковыми настройками языка и сохраните результат в Markdown или JSON.
Оцените четыре вещи: полнота текста, структура таблиц, порядок чтения, наличие мусора — колонтитулов, номеров страниц, повторов.
Проверьте на задаче RAG, а не только визуально: задайте 20–30 вопросов, ответы на которые лежат в таблицах и сканах, и посмотрите, находит ли поиск нужный фрагмент.
Замерьте время и железо на типичном объёме за день и посчитайте, хватит ли имеющихся серверов.
Передайте юристу лицензии выбранного кода и моделей вместе с описанием сценария использования.

Как измерять качество ответов RAG после выбора парсера, мы описывали в статье «Точность RAG и галлюцинации».

Как мы сравнивали

Отбор: открытые инструменты, которые разворачиваются на своих серверах и часто встречаются в материалах о парсинге PDF для RAG. В обзор вошли шесть инструментов.
Критерии: лицензия кода и моделей, дата последнего релиза, требования к железу, поддерживаемые форматы, явная поддержка русского языка и риск передачи данных во внешний сервис.
Источники: README и файлы лицензий на GitHub, документация Docling по OCR. Лицензии и даты релизов мы получили через API GitHub 20 октября 2026 года.
Ограничения: собственного теста качества мы не проводили. Цифры 76,0%, 83,5% и 96,3% — заявления разработчиков Marker и PaddleOCR на их собственных или выбранных ими бенчмарках. Набор из 30–50 страниц для проверки — наша рекомендация, а не стандарт.

Частые вопросы

Какой парсер PDF лучше всего подходит для RAG на русском языке?

Универсального лидера нет. Для смешанного корпуса начните с Docling и явно укажите русский язык в OCR-движке, например rus для Tesseract. Для сканов сравните его с PaddleOCR-VL, где русский заявлен прямо. Решение принимайте по тесту на 30–50 своих трудных страницах: результаты на чужих бенчмарках часто не переносятся на конкретный архив.

Можно ли парсить документы полностью без интернета?

Да, все шесть инструментов обзора можно запустить на своём сервере. Нужно заранее скачать модели и отключить режимы, которые обращаются к внешним сервисам. Например, флаг --use_llm в Marker по умолчанию вызывает внешнюю модель Gemini; его можно направить на локальную модель через Ollama. Docling прямо поддерживает работу в изолированных контурах.

Нужна ли видеокарта для парсинга PDF?

Не всегда. Docling, MinerU в базовом режиме и Marker в режиме fast работают на CPU, и для цифровых PDF с текстовым слоем этого часто достаточно. Видеокарта нужна для VLM-режимов, которые лучше справляются со сканами и сложной вёрсткой: olmOCR требует от 12 ГБ видеопамяти, а лучшие режимы MinerU — от 8 ГБ.

Можно ли использовать Marker в коммерческом проекте?

Код Marker распространяется по Apache-2.0 и разрешён для коммерции. Веса моделей бесплатны для исследований, личного использования и стартапов с финансированием или выручкой до 5 млн долларов. Если компания больше, для коммерческого использования весов нужна платная лицензия Datalab. Без весов Marker в режиме полного распознавания не работает, поэтому проверьте условия до внедрения.

Чем парсинг для RAG отличается от обычного OCR?

OCR превращает изображение в текст. Парсинг для RAG дополнительно сохраняет структуру: заголовки, порядок чтения, таблицы со строками и столбцами, ссылки на страницу. Эта структура нужна, чтобы документ разбивался на осмысленные фрагменты и ИИ мог показать источник ответа. Поэтому чистый OCR-движок — только одна часть парсера.

Первоисточники

Как AIrassvet помогает подготовить документы для RAG

Выбор парсера — часть проекта корпоративной базы знаний, и его стоит делать на ваших документах и вашем оборудовании. На сайте AIrassvet указаны направления, которые относятся к этой работе:

проектирование RAG-систем и корпоративных баз знаний — от разбора документов до поиска и ответов с источниками;
подготовка данных: тестовый набор трудных страниц, эталон и сравнение кандидатов;
решения компьютерного зрения для сложных сканов и архивных записей;
развёртывание LLM и всей схемы на серверах заказчика, если документы нельзя передавать во внешние сервисы.

Первый шаг — выбрать один поток документов и описать его текущий уровень, источники, ограничения и критерий, по которому вы поймёте, что поиск работает.

Обсудить задачу

Итог: парсер выбирают по своим документам и лицензии

Лучший парсер PDF для RAG — тот, который сохраняет структуру ваших документов и чью лицензию вы можете соблюдать. Docling — разумная отправная точка для смешанного корпуса на русском, MinerU и PaddleOCR-VL — для сканов и сложной вёрстки, Marker — для цифровых PDF в компаниях, которые укладываются в условия лицензии весов, olmOCR — для больших архивов при наличии GPU.

Соберите 30–50 трудных страниц, прогоните два-три кандидата и проверьте результат на реальных вопросах к RAG. Это займёт меньше времени, чем переделка базы знаний после того, как выяснится, что таблицы в ней потеряли структуру.