خلاصه: Marker برای تبدیل PDF به خروجی‌هایی مانند Markdown و JSON به کار می‌رود. شروع مناسب، یک فایل کوتاه با متن قابل‌انتخاب است. حالت استخراج بدون OCR می‌تواند آزمون اولیه را ساده‌تر کند، اما صفحه اسکن‌شده و فرمول نیازمند مسیر متفاوت‌اند. کیفیت استخراج و مجوز وزن‌های مدل را جدا از مجوز کد بررسی کنید.
پیش‌نیاز: Python 3.10 یا بالاتر، PyTorch؛ مسیر OCR/VLM ممکن است backend و منابع جدا بخواهد.
سطح: پیشرفته
متن روان است، اما عدد درست نیست
فرض کنید یک جدول مقایسه ابزارها را از PDF بیرون آورده‌اید. جمله‌ها مرتب‌اند، اما قیمت یک ردیف کنار ابزار دیگری قرار گرفته. این خروجی برای مقاله مناسب نیست، حتی اگر خواندنش آسان باشد. Marker را برای استخراج ساختار امتحان کنید و بعد جدول را ردیف‌به‌ردیف بسنجید. README رسمی Marker
مسیر شروعِ محدود
نسخه فعلی README، Python 3.10 یا بالاتر و PyTorch را پیش‌نیاز می‌داند. در یک محیط جدا، بسته را با python -m pip install marker-pdf نصب کنید. برای یک PDF دیجیتال با متن قابل‌انتخاب، نمونه شروع پیشنهادی این است:
marker_single ".\sample.pdf" --mode fast --disable_ocr --output_format markdown --output_dir ".\marker-output"
این مسیر مبتنی بر مستندات است و روی ویندوز شما آزمایش نشده است. گزینه بدون OCR برای صفحه اسکن‌شده یا معادله مناسب نیست؛ README می‌گوید آن بخش‌ها در این حالت پردازش نمی‌شوند. اگر ورودی شما عکس صفحه است، ابتدا نیاز مدل و backend را از همان مستندات بررسی کنید.
یک مثال کاربردی برای مدرس
از یک جزوه شخصی دو صفحه جدا کنید: صفحه اول توضیح مفهومی، صفحه دوم جدول تنظیمات. خروجی را کنار PDF باز کنید. عنوان ستون‌ها، ترتیب ردیف‌ها، علامت منفی و واحدها را کنترل کنید. اگر یک عدد اشتباه است، آن جدول را مستقیماً برای تولید محتوای آموزشی به مدل ندهید.
بعد از اصلاح، از متن سالم یک چک‌لیست بسازید. برای مثال «قبل از ضبط، چه تنظیماتی را چک کنیم؟» هر مورد چک‌لیست باید به بخش مشخص جزوه برگردد. این جداسازی کمک می‌کند خطای استخراج با خطای نویسندگی اشتباه نشود.
چه وقت ادامه ندهیم؟
اگر مسیر نصب به backend تازه یا مدل حجیم رسید و هدف شما فقط یک فایل کوتاه است، هزینه راه‌اندازی را دوباره بسنجید. نسخه فعلی برای بعضی مسیرها به vLLM یا llama.cpp نیاز دارد؛ اجرای ساده تمام امکانات روی هر لپ‌تاپ تضمین نشده است. برای نتیجه اولیه، از اسناد عمومی و کم‌حجم استفاده کنید.
کد فعلی Apache 2.0 است، اما README برای وزن‌های مدل مجوز modified AI Pubs Open Rail-M و شروط تجاری جدا ذکر می‌کند. عبارت «کد رایگان» را به «همه مدل‌ها برای هر کسب‌وکار رایگان‌اند» تبدیل نکنید. مجوز کد
وضعیت پروژه و منابع
در بررسی ۸ اکتبر ۲۰۲۶، مخزن 40,242 ستاره داشت و بایگانی نبود. آخرین push ثبت‌شده: 2026-10-02. ستاره زیاد، تضمین کیفیت، امنیت یا نتیجه نیست. مخزن و README · مجوز · فعالیت
پرامپت آماده
از متن کنترل‌شده زیر چک‌لیست بساز. برای هر بند عبارت پشتیبان را ذکر کن. عدد، علامت منفی و واحد را دقیقاً حفظ کن و از جدول مخدوش نتیجه‌گیری نکن.
مشخصات مخزن
- مخزن: datalab-to/marker
- ستاره‌ها هنگام بررسی: ۴۰٬۲۴۲ (۱۶ مهر ۱۴۰۵)
- مجوز: Apache-2.0 (code); model weights: modified AI Pubs Open Rail-M with commercial conditions
سؤالات متداول
آیا --disable_ocr برای همه PDFها خوب است؟
خیر. برای آزمون متن دیجیتال کاربرد دارد؛ README می‌گوید معادلات و صفحات اسکن‌شده در این مسیر کنار گذاشته می‌شوند.
آیا مجوز Apache 2.0 همه اجزای Marker را پوشش می‌دهد؟
مجوز کد و مجوز وزن‌های مدل جدا هستند. README برای وزن‌ها شروط تجاری مشخص ذکر می‌کند.
محدودیت‌ها
مسیر ویندوز آزموده نشده؛ --disable_ocr برای اسکن یا معادله مناسب نیست؛ مجوز وزن‌ها با کد متفاوت است.
منابع
- README و صفحه رسمی Marker — datalab-to
- مجوز کد Marker — datalab-to
- فعالیت رسمی مخزن — GitHub
