PDF-Parser für RAG: was Dokumentparser mit Tabellen und Scans machen und was eine Seite kostet (Oktober 2026)

1.000 Seiten kosten bei einem Anbieter 1,25 bis 56,25 $, bei drei Werkzeugen 0 $ Lizenz

Die größte Spanne liegt innerhalb eines einzigen Produkts. LlamaParse rechnet in Credits ab, 1.000 Credits kosten 1,25 $. Eine Seite braucht in der Stufe Fast 1 Credit, in Cost-effective 3, in Agentic 10 und in Agentic Plus 45. Das macht 1,25 $, 3,75 $, 12,50 $ und 56,25 $ je 1.000 Seiten. Die Layout-Extraktion kostet in jeder Stufe 3 Credits mehr, also weitere 3,75 $.

Amazon Textract rechnet nach Funktion ab, je 1.000 Seiten in der Region Oregon: 1,50 $ für Text und Handschrift, 15 $ für Tables, 50 $ für Forms, 15 $ für Queries und 4 $ für Layout. Datalab, die Firma hinter Marker, nennt 4 $ für die gehostete Umwandlung im Modus fast oder balanced und 10 $ für accurate. Die Textract-Zahlen habe ich der veröffentlichten AWS-Preisliste vom 11. September 2026 entnommen, weil die Preisseite ihre Beträge per Skript nachlädt. Mindee fehlt in der Tabelle, weil Doku und Preisseite sich bei der Währung widersprechen (Details am Ende).

Die Tabelle stellt Preis, Lizenz und Selbstbetrieb nebeneinander. LlamaParse und Textract gibt es nur gehostet. Der Rechner multipliziert Ihre Seiten im Monat mit denselben Listenpreisen. Bei 20.000 Seiten im Monat kostet LlamaParse in Fast 25 $ und in Agentic Plus 1.125 $, Textract 30 $ für Text und 300 $ mit Tables. Tarifgebühren und Gratiskontingente sind nicht eingerechnet.

Was das für Sie heißt: Vergleichen Sie Werkzeuge bei gleicher Aufgabe, nicht beim Preis auf der Startseite. Eine Textseite für 1,50 $ und eine Seite mit Tabellen für 15 $ sind verschiedene Produkte. Der Faktor 45 innerhalb von LlamaParse zeigt, dass ein großer Teil der Rechnung vom gewählten Aufwand abhängt und nicht vom Anbieter.

Belege: [1][2][3][4][5][6]

Gratiskontingente unterscheiden sich stärker als die Preise

Im Gratisplan von LlamaParse stecken 10.000 Credits. Das reicht für 10.000 Seiten in Fast, 3.333 in Cost-effective, 1.000 in Agentic oder 222 in Agentic Plus. Starter kostet 50 $ im Monat für 40.000 Credits, Pro 500 $ für 400.000. Geparste Dateien liegen 48 Stunden im Zwischenspeicher, ein erneutes Parsen derselben Datei in dieser Zeit ist kostenlos.

Das Gratiskontingent von Textract gilt für neue AWS-Kunden drei Monate lang. Es umfasst 1.000 Seiten im Monat für die Texterkennung, aber nur 100 Seiten im Monat mit Forms, Tables und Layout. Der Gratisplan von Datalab schreibt 20 $ im Monat gut, wenn Sie eine Firmenadresse nutzen, bei privater Adresse 10 $. Das sind 5.000 Seiten Schnellumwandlung zu 4 $ je 1.000 Seiten oder 2.000 Seiten im Modus accurate. Mindee bietet 14 Tage Probezeit mit 200 Seiten.

Mindee rechnet in Credits ab, standardmäßig 1 je Seite. Starter kostet bei jährlicher Zahlung 44 € im Monat und enthält 6.000 Credits im Jahr. Wer alle nutzt, zahlt etwa 0,09 € je Seite. Jeder weitere Credit kostet 0,044 €, also 44 € je 1.000 Seiten. Laut Tarifseite senkt ein größeres Credit-Paket den Credit-Preis. Mit dem Überschreitungspreis lässt sich Mindee deshalb am ehesten gegen Textract Forms mit 50 $ halten. Mindee nennt Euro, die anderen Dollar, ich habe nichts umgerechnet.

Was das für Sie heißt: Mit einem Gratiskontingent prüfen Sie eine Stichprobe, ein ganzes Archiv deckt es nicht ab. Ein neues AWS-Konto deckt rund 100 Tabellenseiten im Monat ab. Wer 500 Tabellenseiten auf Textract prüfen will, zahlt für die übrigen 400 etwa 6 $ (400 Seiten zu 0,015 $).

Belege: [7][3][2][4][8][9][10]

Tabellen bedeuten in der Dokumentation drei verschiedene Dinge

Docling nennt die Tabellenstruktur neben Seitenlayout und Lesereihenfolge und exportiert nach Markdown, HTML und JSON. Marker baut Tabellen aus der Textebene des PDFs nach. Gescannte Tabellen kommen aus der Ganzseiten-OCR, und bei geringer Sicherheit greift das Bildmodell ein.

Mindee geht den umgekehrten Weg. Laut Dokumentation wird eine wiederkehrende Tabelle, etwa die Positionen einer Rechnung, als Liste verschachtelter Objekte ausgelesen. Sie bekommen strukturierte Felder statt eines Tabellenlayouts. Das passt zu einer Rechnungsstrecke. Eine Markdown-Tabelle für einen RAG-Index ist es nicht.

Amazon Textract verkauft Tabellen als eigene, bezahlte Funktion. Die FAQ sagt, Tabellen klappen am besten, wenn sie sich optisch vom Rest der Seite abheben, nicht über einem Bild oder Muster liegen und der Text aufrecht steht. Die Stufe Fast von LlamaParse liefert laut Preisdokumentation nur Raumtext und kein Markdown, eine Tabelle ist dort also keine Markdown-Tabelle. Der optionale LLM-Modus von Marker führt Tabellen zusammen, die über mehrere Seiten laufen.

Was das für Sie heißt: Schicken Sie vor dem Kauf einer Stufe zehn eigene Tabellenseiten durch und prüfen Sie, ob Zeilen und Spalten erhalten bleiben. Der Seitenpreis sagt dazu nichts.

Belege: [11][12][13][14][3]

Scans: der einzige veröffentlichte Wert für alte Scans ist 43,2, und er stammt von einem Mitbewerber

Nur das Repository von Datalab veröffentlicht Werte je Kategorie. In der eigenen Messung auf olmocr-bench, einem Testsatz mit 1.403 PDFs und rund 8.400 Bestanden-oder-nicht-Prüfungen, erreicht Marker im Modus balanced 73,4 bei Tabellen, 99,7 in der Grundkategorie und 43,2 bei alten Scans. Gesamt sind es 76,0, gegen 72,7 für MinerU (Pipeline-Backend) und 50,3 für die Standard-Pipeline von Docling.

Die Modi erklären einen Teil davon. Im Modus balanced liest Marker eine ganze Seite mit dem Bildmodell neu, sobald irgendein eingebetteter Text schlecht ist. Der Modus fast repariert einzelne beschädigte Blöcke und liest nur Seiten komplett neu, die gescannt oder überwiegend schlecht sind. Bei PDFs mit falscher Textebene empfiehlt die README, OCR für alle Seiten zu erzwingen.

Hier vergleicht ein Anbieter zwei fremde Werkzeuge. Ich behandle die Zahlen deshalb als Behauptung und nicht als Rangliste. Sie zeigen trotzdem, wo die Schwachstelle liegt: Alte Scans sind selbst im besten Modus die schwächste Kategorie, und ohne OCR fällt Marker dort auf 14,3. Ob Docling oder MinerU Werte für denselben Testsatz veröffentlichen, habe ich nicht geprüft.

Die gehosteten Dienste nennen Grenzen statt Werte. Amazon Textract möchte Scans mit idealerweise mindestens 150 DPI, liest Handschrift nur auf Englisch und gedruckten Text auf Englisch, Deutsch, Französisch, Spanisch, Italienisch und Portugiesisch. Laut Mindee-Doku funktionieren gescannte PDFs in der Regel besser als Handyfotos. Docling führt sechs OCR-Engines auf: RapidOCR, Nemotron-OCR, EasyOCR, ocrmac, tesseract-CLI und tesserocr. MinerU gibt an, gescannte und fotografierte Dokumentbilder zu verarbeiten.

Was das für Sie heißt: Bei einem Archiv aus alten Scans oder Handyfotos sollten Sie die teure Stufe oder eine GPU einplanen und das Werkzeug an Ihren 20 schlechtesten Seiten messen, nicht an einer Durchschnittsseite.

Belege: [12][14][13][15][16]

Selbst betreiben: Die Lizenz ist kostenlos, die Maschine nicht

Docling steht unter der MIT-Lizenz und liegt bei der LF AI & Data Foundation. Die README nennt lokale Ausführung für sensible Daten und abgeschottete Umgebungen. Die Doku zeigt, wie man Layout- und Tabellenmodelle vorab für den Offlinebetrieb lädt. Version 2.133.0 erschien am 3. Oktober 2026.

Die Lizenz von MinerU ist Apache 2.0 mit zusätzlichen Auflagen. Eine eigene kommerzielle Lizenz brauchen Sie, sobald ein Produkt mehr als 100 Millionen monatlich aktive Nutzer oder mehr als 20 Millionen $ Monatsumsatz erreicht. Wer einen Onlinedienst auf MinerU-Basis anbietet, muss das deutlich kenntlich machen. In der Stufe basic läuft es auf der CPU mit 2 GB Arbeitsspeicher. Die Stufen standard und advanced mit GPU verlangen 16 GB Arbeitsspeicher und mindestens 8 GB VRAM. Standardmäßig parst MinerU lokal und schickt ein Dokument nur mit der Option für Remote-Parsing nach außen. Der Onlinedienst auf mineru.net nennt keine Preise (Stand 5. Oktober 2026).

Der Code von Marker steht unter Apache 2.0. Die Modellgewichte nutzen eine abgewandelte OpenRAIL-M-Lizenz, frei für Forschung, private Nutzung und Start-ups unter 5 Millionen $ Finanzierung oder Umsatz. Darüber gelten die kommerziellen Bedingungen von Datalab. Auf einer B200-GPU misst Datalab im Modus balanced 2,9 Seiten pro Sekunde, rund 10.400 Seiten pro Stunde, gegen 0,54 bei MinerU und 2,1 bei Docling im selben Lauf. Einen GPU-Preis nennt Datalab nicht, deshalb rechne ich daraus keinen Seitenpreis.

Am 5. Oktober 2026 zeigte GitHub rund 81.100 Sterne für MinerU, 68.400 für Docling und 40.200 für Marker. Die letzten Codeänderungen stammen vom 30. September (MinerU) und vom 2. Oktober (Marker). Das sagt etwas über Aufmerksamkeit und Pflege, nicht über die Qualität bei Ihren Dateien.

Was das für Sie heißt: Unter den Größengrenzen und mit GPU kosten alle drei nur die Maschine. Größere Unternehmen lesen zuerst die Lizenz. Bei Docling gibt es keine solche Schwelle, bei MinerU und Marker ist sie eine Vertragsfrage.

Belege: [5][17][6][16][18][12]

Welches Werkzeug für welche Aufgabe, und für wen nicht

Ich habe die sechs nach drei Fragen sortiert: Dürfen die Dateien Ihr Netz verlassen, brauchen Sie feste Felder oder den ganzen Seitentext, und laufen Sie ohnehin auf AWS. Der Helfer unten führt durch die Fragen und endet bei einem Startpunkt.

LlamaParse bietet eine Stufenleiter und einen Endpunkt in der EU-Region. Es passt zu Teams, die eine gehostete Schnittstelle wollen und die Stufe je Dokumenttyp wählen können. Firecrawl und Jina Reader lesen ebenfalls PDFs. Firecrawl berechnet 1 Credit je PDF-Seite zusätzlich zu 1 Credit je Abruf, ein PDF mit 10 Seiten kostet also 11 Credits. Jina Reader parst PDF-Adressen nach eigener Angabe mit PDF.js. Beide gehen von einer Adresse aus, deshalb habe ich sie aus dem Vergleich gelassen.

Belege: [3][19][20][21][14][10]

So bin ich vorgegangen

Am 5. Oktober 2026 habe ich Preisseiten, Dokumentation und README-Dateien von Docling, MinerU, LlamaParse, Marker, Mindee und Amazon Textract gelesen, dazu die Preisliste von AWS als Datei. Das sind 6 der 9 Werkzeuge der Nische. Ich habe Lizenz, Betrieb und die Aussagen zu Tabellen und Scans verglichen und jeden Preis beim Anbieter selbst nachgesehen. Die allgemeine Vorgehensweise steht unter So prüfen wir. Ich habe keine Datei hochgeladen und kein Konto angelegt, die Seite misst also keine Genauigkeit an Ihren Dokumenten.

Drei Quellen widersprachen sich. Die Preisseite von Mindee nennt 44 $ und 116 $ im Monat für Starter und Pro, die Plans-Seite der Doku dieselben Zahlen in Euro. Die Doku sagt außerdem, Starter enthalte 6.000 Credits pro Jahr und nicht pro Monat, und weitere Credits kosten 0,044 €. Die Preisseite spricht dagegen von 20 Prozent Aufschlag bei Überschreitung. Ich habe die Werte der Doku übernommen und unseren Eintrag korrigiert. Die README von Datalab verspricht 5 $ Startguthaben, die Preisseite 20 $ im Monat bei Firmenadresse. Ich habe keinen der beiden Werte verwendet. Meine erste Lesung der Textract-Seite führte Layout als gratis, die Preisliste nennt 0,004 $ je Seite, also gilt die Preisliste.

Weggelassen habe ich Crawl4AI, das Webseiten durchsucht, und einen Preis, den ich nicht finden konnte: Der Onlinedienst von MinerU veröffentlicht keinen.

Belege: [22][8][9][4][1][23]