一、纯文档XML解析流派
特点：不加载AI视觉模型，直接解析文档原生OOXML结构；速度快、资源占用低，适合Office类电子文档。
python-docx
直接底层解析docx压缩包内OOXML，仅支持docx格式，无pptx/xlsx/PDF解析能力。
可读取表格合并单元格标记、提取文本与图片，但不存在文档阅读顺序语义，合并单元格需要自行编码处理，无法直接输出规整Markdown。
适合简单文档文本提取、Word二次编辑；不建议作为RAG主链路解析器。Docling【Office文档首选】
底层docx模块基于python-docx封装，在上层构建统一文档语义树，自动规整合并单元格、维护图文阅读顺序、原生支持图片提取，开箱输出标准化Markdown/JSON。
支持格式：
✅ docx（Word 2007+）
✅ pptx（PowerPoint 2007+）
✅ xlsx / xlsm（Excel 2007+）
重要区分：Docling解析docx/pptx/xlsx无需AI模型；当解析PDF时，才会加载布局检测、表格识别等视觉模型。
二、AI版面分析流派
特点：依托深度学习模型做版面检测、表格识别、OCR；擅长扫描件、多栏排版、图文混排PDF，算力消耗更高、解析速度会慢很多（CPU环境解析一个30页PDF大概需要2分钟）。
1. MinerU（中文PDF场景标杆）
✅ 优势：中文标书、财报、论文、多栏PDF、图片、跨页复杂合并表格解析能力突出；内置OCR、页眉页脚自动清洗，输出整洁Markdown；扫描影印类文档表现业内第一梯队。
❌ 短板：核心能力聚焦PDF；推荐GPU运行，纯CPU解析速度一般；全程依赖AI模型。
补充说明：MinerU ≥3.0 版本新增docx/pptx/xlsx原生解析接口，但Office文档解析属于附加功能，复杂图文、文本框场景稳定性较差，生产环境不建议依靠它处理Word。
🎯 适用场景：以中文PDF为主，包含大量扫描件、工程合同、研报、多栏技术文档。
2. Unstructured
支持60+种文件格式，生态完善，深度对接LangChain/LlamaIndex。
短板：中文文档适配一般，复杂合并单元格表格还原效果偏弱；很多格式底层依靠LibreOffice中转，部署链路较重。
三、选型落地小结
推荐工程分流架构（建筑业/企业文档RAG最优实践）
.pdf→ MinerU（发挥中文PDF、扫描件、复杂表格强项）.docx/.pptx/.xlsx→ Docling（轻量化XML解析，不抢占GPU资源，自动处理合并单元格）- 极端复杂 Word（大量浮动文本框、浮动图片）兜底方案：docx 通过 LibreOffice 无头模式转 PDF → MinerU
选型误区：
很多人追求一套库处理全部文件，直接全量使用 Docling 或者 Unstructured。该方案开发简单，但在中文扫描 PDF、复杂表格情况下，解析质量会明显弱于分流方案。
