Chunkr：開源文件解析 API，把 PDF 拆成餵 AI 前的乾淨資料

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

先給答案：Chunkr 是一套把 PDF、Word、PowerPoint 與圖片轉成 Markdown、HTML、JSON 結構化輸出的文件解析服務，客群是把文件餵進檢索系統或大型語言模型管線的開發團隊。它有兩張面孔：一張是可以自架的開源儲存庫，採 AGPL 授權、累積 4,154 個星星，另一張是持續迭代中的雲端 API；我連上它的健康檢查端點時，它傳來的版本號是 2.66.1，而開源儲存庫的最後一個正式版停在 2025 年 7 月的 2.2.1。免費註冊有 200 點額度（一般文件等於 200 頁）、不用信用卡；額度用完之後，最便宜的付費方案是每月 375 美元。想在採用它之前把這幾個數字搞清楚，這篇文章會依序解答三個問題：免費額度能玩到哪、開源版和雲端版差在哪、你的文件會被誰看到。

Pin

文件餵進 AI 前的那道髒活，就是它的生意

把一份掃描版 PDF 交給大型語言模型，它讀到的是一片模糊的文字雜訊；把一份排過版的報告直接轉純文字，表格會黏成一團、欄位順序全亂。要做檢索增強生成（RAG）的團隊，通常得先自己拼一套管線：版面分析找出版面區塊、OCR 把文字挖出來、再把內容切成分塊餵給模型。Chunkr 做的就是這段前處理：讀進文件，輸出帶邊界框座標、保留閱讀順序的結構化內容，官方把它稱為「文件智慧 API」，講白一點就是文件進 AI 之前的清潔隊。

它的 API 參考文件列了 14 條 API 路徑，圍繞兩個核心動作：Parse（把文件變成 Markdown、HTML、JSON）與 Extract（照你定義的資料結構抽欄位，輸出帶引用位置與信心分數）。Extract 在文件裡還掛著 PREVIEW 標籤，屬於尚未轉正的功能。Extract 的輸出設計對要做稽核的人有吸引力：每個抽出來的欄位都附帶它在原始文件裡的出處位置與信心分數，等於機器幫你把「這個數字從哪一頁來」的對帳線索一起交出來，這是純文字轉檔工具不會給你的東西。任務系統是非同步的：送出文件後任務會經過起始、處理中到完成的幾個狀態，也可以設 webhook 讓它處理完主動通知你的系統，不用自己寫輪詢。

支援的輸入格式，官方清單列了 PDF、圖片（PNG、JPEG、TIFF 等）、Word、PowerPoint，試算表是雲端版限定（API 的檔案類型清單列 XLSX 與 XLS；首頁問答把 CSV 也寫進支援，但 API 清單裡查不到它）；掃描件與手寫內容官方宣稱能處理，多語文件的支援宣稱涵蓋約一百種語言。這些是能力存在與否的宣稱，實際對中文文件、繁體排版的文件效果如何，拿免費額度用自己的文件驗收最準。這個分層值得記住：很多 PDF 工具做的是「操作檔案本身」（合併、壓縮、加密），Chunkr 做的是「理解內容」這一層，兩者不算同賽道；如果你要的是前者，站上介紹過的 bestpdf-online-pdf-toolkit 或 Stirling PDF 類工具更對口，若是把 PDF 抽成 Markdown 這條路，之前寫過的 pdf2md-pdf-to-markdown 與 ocrflux-pdf-to-markdown 著重在單機轉檔，Chunkr 則把同樣的事情做成 API 服務與自架平台。

免費 200 點能玩到什麼，以及頁數怎麼計價

2026 年 10 月我把它的定價頁整頁打開來看，方案表是信用點數制：免費帳號 200 點起跳、免信用卡；付費方案三階，Dev 每月 375 美元含 25,000 點、Growth 每月 750 美元含 75,000 點、Scale 每月 2,000 美元含 250,000 點，企業方案另議。點數換算規則寫得很清楚：PDF、Word、PowerPoint 與圖片每頁 1 點，試算表每 5,000 格 1 點，走視覺語言模型處理的頁面乘以 2。

Pin

換成每頁單價，三個方案分別是每頁 0.015、0.010、0.008 美元，超量時也照這個價計費。任務層的數字限制一併記下：單一任務處理上限 1 小時、系統速率上限每秒 10 個檔案、單檔建議在 2,000 頁以內，超過可能失敗、官方建議先切分，用 base64 方式上傳的請求上限 1GB。對一次要餵幾萬頁文件的場景，這些數字決定了你的批次要怎麼切。

這個價格結構對個人開發者有一道明顯的斷崖：免費 200 頁與每月 375 美元之間，沒有 5 美元、19 美元這種個人方案可以接著用。換句話說，它把自己定位成 B2B 生意，免費額度的角色是讓你驗收品質，不是讓你長期免費用。方案表上還有幾個逐級解鎖的功能：SLA 服務等級 Dev 是 99.9%、Growth 起是 99.99%；Slack 支援從 Growth 起；BAA/DPA 文件從 Scale 起；單一登入（SSO/SAML）與資料落地位置選擇留給企業方案。企業治理需求在免費與入門層是沒有的。

免費額度要怎麼花才聰明：拿你最髒、最代表實際場景的文件去測，掃描件、手寫註記、多欄排版各挑幾頁，200 點剛好夠做一輪像樣的驗收。不想寫程式也有入口：定價頁明寫了不用程式碼就能在儀表板的 playground 建任務、看輸出，文件裡的網頁介面篇也示範了從建立 Extract 任務到檢視結果的整套流程，連 API key 都可以晚點再申請。

註冊流程有個小地雷：舊文件把儀表板寫在 app.chunkr.ai，這個網域現在已經沒有 DNS 解析，連過去只會失敗；現行入口是官網首頁的 Get Started 按鈕（chunkr.ai/dashboard），會導向 auth.chunkr.ai 的 Keycloak 登入頁，用信箱與密碼註冊。另外首頁導覽列的 Login 連結指向 /login，直接打開是 404 錯誤頁。兩個都是小毛病，但第一次接觸的人容易在門口就被絆住。

Pin

開源版和雲端版，早就分家了

這是採用前最該知道的一件事，官方文件自己講得毫不掩飾。README 的對照表寫明：開源版用社群開源模型做版面分析與 OCR，雲端版跑自家開發的專有模型；試算表解析（Excel 原生解析器）是雲端版獨有，開源版沒有；兩者的準確率與處理速度，官方也直說雲端版較優。更直白的是定位欄的用字：開源版那一欄寫的是適合「開發與測試」，正式工作負載那一欄屬於雲端版。第三方授權聲明檔裡能對到一個具體線索：開源版的服務裡用了一個版面理解模型，是出自阿里巴巴研究團隊的 Apache-2.0 授權開源模型 VGT。所以「開源等於全功能免費版」這個直覺，在 Chunkr 身上不成立，官方自己的建議也是把開源版當實驗場。

版本腳步的落差更明顯。開源儲存庫最後一個正式版 2.2.1 發布於 2025 年 7 月 31 日，之後的提交只剩兩次 README 更新與一次建置設定檔的調整；雲端 API 的版本號在我連線檢查時是 2.66.1，API 規格文件裡的版本欄位也同樣是 2.66.1。兩條線各自的版本號未必能一比一對照，但開源版 14 個月沒有功能版、雲端版一路長到 2.66，方向很清楚：公司的力氣押在雲端。這不表示開源版不能用了，4,154 個星星、279 次 fork，它仍是當下可直接取用的完整程式碼；只是把自架版當成「會跟著官方一起長大」的選項之前，要先接受它可能是相對凍結的快照。

想自架？你要搬的是半個機房

翻開開源版的部署設定，它不是單一容器的工具，而是一整組服務：Keycloak 負責帳號認證、MinIO 負責物件儲存、PostgreSQL 與 Redis 負責資料與佇列，再加上 OCR 與版面切割兩個運算單元，全部用 docker compose 串起來，啟動後網頁介面在 5173 埠、API 在 8000 埠。部署形態有三份 compose 檔可選：預設走 GPU、要另裝 NVIDIA 的容器工具包；有 CPU 版疊加檔，也有對應 Mac 的疊加檔。範例環境檔裡 MinIO 的預設帳密就是出廠值 minioadmin，自架的人第一件事該把它換掉。

更有個性的是模型層的設計：自架版本身不附大腦。你要自己準備一份模型設定檔，填上任何 OpenAI 相容端點的 API key 才能讓它動，範例檔示範了 OpenAI、Google AI Studio、OpenRouter 到本機模型四種接法，也支援設定預設模型、備援模型與每分鐘請求上限。這表示自架的成本帳有兩欄：基礎設施的維運工，加上你呼叫外部模型的費用。如果文件不能出門，就接自建模型；願意出門，就是把 key 填給誰的問題。

在 Mac 上自架還有一條但書：官方雖然準備了 Mac 專用的 compose 疊加檔，內容是把核心運算服務標成 linux/amd64 平台，也就是在 Apple Silicon 上以模擬方式跑 x86 映像檔，只有 Redis 與 Keycloak 用原生 arm64。能跑與跑得順，是兩件不同的事，模擬層的效能折損在 OCR 這種吃運算的環節會被放大，拿 Mac 做正式自架環境前要有心理準備。這段是讀設定檔與官方文件得出的結構描述，我沒有實際把這整套服務跑起來，部署過程會遇到什麼坑，以官方 README 的三種 compose 指令為準。

你的文件會被誰看到：隱私承諾是分級的

隱私這節要看得比徽章細。官方安全政策頁寫得明白：文件上傳後存放在 Google Cloud 的儲存服務，可以為每個任務設定到期時間、到期後連原始檔與輸出一起刪除；但「不用你的資料訓練模型」這句承諾，原文是限定給 Scale 層級以上的客戶，換算一下就是每月 2,000 美元起跳的方案。免費與 Dev 層級的文件會不會進訓練管線，政策沒有給出否定的答案。子處理者清單也值得讀：基礎設施之外，清單列了 OpenAI（AI 模型供應商）、PostHog（產品分析）與 SigNoz（監控遙測），也就是說雲端版的處理鏈並非只有 Chunkr 自己。

合規宣稱還有一處前後不一致：首頁常見問答寫「我們符合 SOC2 與 HIPAA」，安全政策頁的正文卻寫「目前正在進行 SOC 2 Type I 與 Type II 兩項稽核」，同一頁又掛著 SOC 2 Type 2 與 HIPAA 的第三方徽章。進行式與完成式是兩件事，如果你的採購流程需要認證報告，直接向站方索取文件，別把徽章當證書。同一種不一致也出現在訓練資料承諾上：文件的歡迎頁直接寫了「never train on your data」，與政策頁「Scale 層級以上」的正式承諾擺在一起，兩種口徑要自己調和。另外使用條款放在一個 Notion 子網域上，對要做法務審閱的團隊來說，這種「條款住在第三方服務」的安排值得留意連結的穩定性。

自架路線在隱私上乾淨得多：儲存與處理留在自家的基礎設施，模型端點自己挑；只有把模型層也接在本機端點時，文件內容才算完全不出門，這也是 AGPL 版對隱私敏感團隊的真正賣點。對照站上介紹過的 rapidocr 這類純本機 OCR 工具，Chunkr 自架版多了版面分析與 API 化的完整管線，代價就是前一段那半個機房。

儲存庫安靜，服務活著：怎麼判讀它的健康度

判斷一個開源加雲端雙軌的專案還活不活，要把兩條線分開看。雲端線：健康檢查端點公開可連，2026 年 10 月傳來的版本號是 2.66.1，文件、定價頁、狀態監測頁都正常運作，這是一個營運中的服務。開源線：14 個月沒有新功能版，但儲存庫沒有封存、問題追蹤區仍有外部使用者的活動。兩個 SDK 的狀態也傾向安靜：Python 套件的穩定版 0.3.7 上架於 2025 年 8 月，中間 0.3.2 到 0.3.6 五個版本曾遭撤下，npm 上的 TypeScript 套件停在 2025 年 11 月的 0.1.0-alpha.14；官方快速上手文件也還標註 Python SDK 處於 alpha 階段、安裝要加 –pre 參數。

對要把 Chunkr 接進正式系統的團隊，這代表依賴風險要自己扛一層：服務本體活著，但套件層的更新節奏停了一段時間，API 若有變動，SDK 未必第一時間跟上。好消息是它的 API 面很小（14 條路徑），需要的話直接用 HTTP 呼叫、繞過 SDK，維護成本可控。順帶一提，這家公司是 Y Combinator 孵化出的新創，徵才頁也掛在 YC 網站上，團隊規模與資金狀態就屬於你採購前自己要做的功課了。

誰該現在用，誰先觀望

把上面的線索收攏成一條決策軸。正在建 RAG 或文件問答系統、手上有幾份難啃的掃描件或複雜排版的團隊：現在就註冊免費帳號，拿 200 頁額度用你自己的文件驗收，這是零成本的下一步；品質過關再談錢。文件不能出門、有 DevOps 人力、且能接受功能停在 2025 年 7 月快照的組織：走自架，但先在小規模環境把 Mac 模擬與模型端點兩個變數測掉。個人開發者或小團隊想長期低成本使用：目前沒有適合你的方案，免費額度燒完就是 375 美元起跳，把它當驗收工具而非生產環境，或者看看前面提過的單機轉檔方案。至於它的解析品質到底準不準，這篇文章從頭到尾沒有立場：我沒有送出任何文件去解析，這 200 點免費額度存在的意義，就是讓你用自己的文件、自己的眼睛下判斷。

授權與專案狀態最後收個尾：儲存庫採 AGPL-3.0，對把它整包接進對外商業服務的團隊有開源義務的傳染性，官方另提供商業授權的選項，條款寫明有效期綁在現行主版本與其小更新上，要買的人看清楚版本錨點。開源版的最後功能版停在 2025 年 7 月 31 日，雲端版在 2026 年 10 月仍健康營運中，這兩個日期之間的落差，就是你採用任何一條路線前該放進試算表裡的變數。