企业官网建设流程全解析

为什么kordoc登顶PDF解析榜？opendataloader-bench 200文档实测0.960完胜12大解析器

【免费下载链接】kordoc모두 파싱해버리겠다 — HWP·HWPX·PDF·Office 문서를 Markdown으로. 양식 자동 채우기와 신구대조를 갖춘 CLI·MCP 서버 | Convert Korean documents (HWP, HWPX, PDF, Office) to Markdown — CLI and MCP server with form filling and diff项目地址: https://gitcode.com/gh_mirrors/ko/kordoc

kordoc 是一款面向韩语文档的开源转换工具，可把 HWP、HWPX、PDF、Office 文档高质量转换为 Markdown。在 2026-09-29 的opendataloader-bench公开基准实测中，kordoc 以200 篇 PDF、0 失败、0 缺失的表现，跑出0.960的综合分，力压 opendataloader-hybrid、docling、marker、mineru、markitdown 等 12 个主流 PDF 解析器，登顶解析榜 🏆。本文带你读懂这场 200 文档实测，以及 kordoc 为什么能赢。

一、先搞懂规则：opendataloader-bench 是什么？

opendataloader-bench 是一个公开的 PDF 转 Markdown 评测基准，包含200 篇真实 PDF（学术论文、报告、幻灯片、海报、扫描件），每篇都配有人工制作的正答（参考文件 425 个，哈希固定未改动）。

它从三个维度打分，满分 1.0 = 与正答完全一致：

综合分由三项加权平均得出。对 RAG 检索、AI 训练语料来说，这三项正是决定文档质量的关键——顺序错、表格散，下游模型基本就废了。

二、成绩揭晓：12 大解析器同场实测

以下为 2026-09-29 的公开引擎对比记录（其他引擎成绩取自基准仓库公开结果，kordoc 用相同的 PDF、相同的正答、未修改的原始评分器重新实测，见 docs/benchmarks.md）：

两个值得注意的细节：

• kordoc 综合分领先第 2 名 5.3 个百分点，其中标题层级（0.945 vs 0.821）差距最大；
• 开启ocr: true, plain: true, htmlTables: true组合后，kordoc 综合分进一步升到0.973，表格分0.983，是全场最强配置。

三、为什么能赢？拆解 kordoc 的三个杀手锏

1️⃣ 表格结构检测：线格 + 裁剪盒 + 跨页拼接

表格是 PDF 解析最大的失分点（末三位引擎表格分都是 0）。kordoc 在 src/pdf/ 中实现了多套互补的表格检测策略：

• 线格检测（src/pdf/line-detector.ts、src/pdf/table-grid.ts）：从 PDF 图形指令提取真实绘制的水平/垂直线，由交点重建网格，能还原合并单元格；
• 裁剪盒表格（src/pdf/clip-cells.ts）：韩文 Office 导出的 PDF 常用clip路径画单元格，kordoc 把每格裁剪矩形直接当作单元格几何，专治"看不见的表格"；
• 跨页表格拼接（src/pdf/table-parts.ts）：自动识别被页边界切断的表格，按列边界、重复表头、单元格碎片等证据把两页的表拼回一张。

这三招叠加，让 kordoc 表格分达到0.979，全场最高。

2️⃣ 阅读顺序恢复：XY-Cut 切分 + 双栏识别

论文、幻灯片普遍是双栏甚至三栏排版。kordoc 的 PDF 解析入口 src/pdf/parser.ts 采用XY-Cut算法切分阅读区域，并由 src/pdf/page-regions.ts 识别双栏正文、页眉页脚、图表标题等版面区域，把"视觉位置混乱"的文本还原成正确阅读流，阅读顺序分0.961。

3️⃣ 智能自动 OCR：扫描件不再丢分

200 篇文档中有72 篇包含无文本层的扫描页或大尺寸图片文字。kordoc 的默认配置会自动对"无文本层的页"和"占页面面积 5% 以上的大图"执行本地 OCR：

仅靠"开 OCR"这一项就拉回0.023 分，这正是它拉开与纯文本层解析器差距的关键。OCR 引擎相关实现见 src/ocr/engine.ts。

四、性能表现：200 篇文档约 102 秒

根据 4.18.6 版本的验证记录（docs/release-4.18.6.json 的externalOdl字段，原始数据可查）：

• 200 篇文档单进程顺序解析，总耗时约102 秒（每页约 0.52 秒）；
• 峰值内存约1.8 GB；
• 失败 0 件、缺失 0 件——对比 marker 每页 53.9 秒、mineru 每页 5.96 秒，kordoc 在精度第一的同时速度也处在第一梯队。

如何复现这个基准？

实测脚本就在仓库里：

node bench/odl-bench.mjs <opendataloader-bench 克隆目录>

它会调用基准仓库自带的src/evaluator.py对 200 篇输出统一打分。评分口径、排除标准、各选项数值的完整说明，见 docs/benchmarks.md 的"PDF → Markdown — opendataloader-bench"章节。

五、新手快速上手：1 分钟把 PDF 变成 Markdown

kordoc 基于 Node.js（20+），一条命令即可运行：

# 单文件转换 npx kordoc 文档.pdf -o 文档.md # 批量并行转换（--jobs 4 四进程） npx kordoc *.pdf --jobs 4 -d ./输出目录 # 扫描件自动 OCR npx kordoc 扫描版.pdf --ocr -o 扫描版.md # 输出结构化 JSON，取指定页 npx kordoc 文档.pdf --format json --pages 1-3

如果要把 kordoc 接给 AI 编程助手（Claude Desktop、Cursor、Claude Code 等），执行npx -y kordoc setup即可注册 MCP 服务，获得解析、对比、生成、渲染等17 个工具。完整命令行与 API 文档见 docs/usage.md。

顺带一提，kordoc 的本行是韩语文档：在 2,286 篇真实政府 HWPX 文件上，可见表格9,865/9,865（100%）结构一致（docs/release-4.18.8.json）——处理韩国公文 + PDF 的场景，它几乎是唯一选择 🇰🇷。

六、总结：0.960 意味着什么？

kordoc 的登顶并非偶然：版面感知的表格重建 + XY-Cut 阅读顺序 + 按需自动 OCR，恰好命中了 opendataloader-bench 三大评分维度的痛点。对于需要批量把 PDF 变成干净 Markdown 的开发者，它是目前公开基准下最值得优先考虑的解析器之一。

【免费下载链接】kordoc모두 파싱해버리겠다 — HWP·HWPX·PDF·Office 문서를 Markdown으로. 양식 자동 채우기와 신구대조를 갖춘 CLI·MCP 서버 | Convert Korean documents (HWP, HWPX, PDF, Office) to Markdown — CLI and MCP server with form filling and diff项目地址: https://gitcode.com/gh_mirrors/ko/kordoc