pdf2md

基于 Docling 的 PDF 转 Markdown HTTP 服务，主要对财报的pdf转换进行了优化，支持 GPU（CUDA）加速。

欢迎交流学习

该项目目标主要是节约成本，目前市面上常见转换工具效果最好的是 doc2x，但是也要 「￥0.02/页」，一篇年报差不多也要 5 块以上。对于大量年报进行分析时成本较高，目前思路是对无效信息的章节进行删除处理，单篇年报/半年报大约可以节约90000字符数左右，如果有更好的思路或是更好的实现也可以提供

Benchmark

环境：Intel 13600KF + NVIDIA RTX 3060 12GB + 64GB RAM 配置：batch=64, layout_batch=64, table_batch=32, queue=10

文档	页数	字符数	耗时	速度	CPU峰值	RAM峰值	GPU峰值	VRAM峰值
3季度报告	10	30,097	9.1s	1.10页/s	8%	12%	97%	70%
半年度报告	136	288,668	66.0s	2.06页/s	12%	14%	100%	93%
年度报告	202	398,045	87.2s	2.32页/s	11%	16%	100%	96%

优化后性能提升：batch size翻倍，大文件速度提升20-28%，GPU利用率100%，显存利用率90%+

环境

• Python 3.10+，uv
• 推荐cuda，没cuda太慢了，没必要
• 可选：NVIDIA GPU + CUDA（无则用 CPU）
  • CUDA 13.0 +
  • CUDNN (可选) 9.0+

安装与运行

生产环境（最小依赖）：

uv sync                    # 仅核心依赖
uv sync --extra cuda       # 添加 GPU 加速

开发/测试环境（含资源监控）：

uv sync --extra cuda --extra monitor
uv run python scripts/check_cuda.py
uv run python scripts/test_monitoring.py  # 测试转换和监控功能

监控功能需要 psutil 和 pynvml 依赖（--extra monitor），生产环境可省略以减小镜像体积。监控指标包括：CPU%、RAM GB/%、GPU利用率%、VRAM占用率%。

启动服务：

uv run uvicorn app.main:app --host 127.0.0.1 --port 12138 --reload

接口

• POST /convert：通用 PDF 转 Markdown，multipart/form-data 字段 file 为 PDF；返回 JSON 含 id、url、name（结果缓存约 1 小时）
• POST /convert_report：财报类 PDF 转 Markdown，使用报表专用预处理；请求/返回格式同 /convert
• GET /health：{"cuda_available": bool, "status": "ok"}
• GET /files/{file_id}：按 id 下载转换后的 Markdown

示例：

curl -X POST "http://localhost:12138/convert" -F "file=@your.pdf"

返回为 JSON 数组，每个元素对应一个转换结果：

字段	说明
id	文件 ID，用于下载
url	下载地址，即 GET /files/{id} 的完整 URL
name	建议保存的 .md 文件名（由原 PDF 名推导）

示例返回：

[
  {
    "id": "a1b2c3d4e5f6...",
    "url": "http://localhost:12138/files/a1b2c3d4e5f6...",
    "name": "your.md"
  }
]

用返回的 url 或 GET /files/{id} 可下载 Markdown 正文。

Docker

镜像会安装 CUDA 依赖（torch/torchvision），以便 docling 的图表识别等阶段能正常导入；不传 GPU 时仍按 CPU 运行。

docker build -t docling-server:local .
docker run --rm -p 12138:12138 docling-server:local

使用 GPU 时需加 --gpus all，或使用 docker-compose：docker-compose --profile gpu up。

License

MIT. See LICENSE.