什么是 MinerU？
MinerU 是一个将复杂文档（如 PDF）转换为 LLM 就绪的 markdown/JSON 格式的工具，用于 Agentic 工作流。相比传统 PDF 解析工具，MinerU 在文档结构解析、多媒体提取、公式识别等方面有着显著优势。
主要功能包括：
- 文档结构解析：移除页眉页脚、脚注、页码等，确保语义连贯性
- 内容提取：输出按人类可读顺序排列的文本，支持单列、多列和复杂布局
- 格式保持：保留原始文档结构（标题、段落、列表等）
- 多媒体提取：提取图像、图像描述、表格、表格标题和脚注
- 公式识别：自动将文档中的公式转换为 LaTeX 格式
- 表格识别：自动将表格转换为 HTML 格式
- OCR 支持：自动检测扫描版 PDF 并启用 OCR 功能，支持 84 种语言
- 多平台支持：兼容 Windows、Linux、Mac 平台，支持 CPU/GPU/NPU 加速
环境准备与安装
硬件要求
- CPU 推理：支持纯 CPU 环境
- GPU 要求：Turing 架构及以上，6GB+ 显存（pipeline 后端）或 8GB+ 显存（VLM 后端）
- 内存要求：最低 16GB+，推荐 32GB+
- 磁盘空间：20GB+，建议 SSD
- Python 版本：3.10-3.13
安装方法
使用 pip 或 uv 安装
pip install --upgrade pip
pip install uv
pip install -U "mineru[core]"
从源码安装
git clone https://github.com/opendatalab/MinerU.git
cd MinerU
uv pip install -e .[core]
Docker 部署
项目提供 Docker 部署方式，可快速搭建环境解决兼容性问题
配置文件详解
MinerU 提供了灵活的配置选项，主要包括：
- 解析后端设置（pipeline 和 VLM 两种）
- 输出格式选择（Markdown、JSON 等）
- OCR 语言设置
- 图像和表格处理参数
配置文件通常包括解析精度、资源使用限制等关键参数，可以根据需要进行调整。
实战演示
命令行使用
mineru -p <输入路径> -o <输出路径>
例如：
mineru -p ./pdfs/三国演义.pdf -o ./output/
API 调用方式
MinerU 提供云端 API 服务，可以通过简单的 HTTP 请求调用文档解析功能：
import requests
token = "官网申请的 api token"
url = "https://mineru.net/api/v4/extract/task"
header = {"Content-Type": "application/json", "Authorization": f"Bearer {token}"}
data = {"url": "https://cdn-mineru.openxlab.org.cn/demo/example.pdf", "is_ocr": True, "enable_formula": False}
res = requests.post(url, headers=header, json=data)
print(res.status_code)
print(res.json())
print(res.json()["data"])
API 参数说明：
url: 要解析的 PDF 文档在线链接is_ocr: 是否启用 OCR 识别（默认 True）enable_formula: 是否启用公式识别（默认 False）- 返回结果包含任务 ID，可通过任务 ID 查询解析进度和结果
输出结果分析
MinerU 支持多种输出格式：
- Markdown 格式：适合阅读和进一步处理
- JSON 格式：结构化数据，便于程序处理
- 包含公式、表格、图片等元素的完整信息
特殊内容处理
- 公式：转换为 LaTeX 格式
- 表格：转换为 HTML 格式
- 图片：提取并保留位置信息
- 脚注：整合到相关内容中
性能优化与调优
提升解析速度的方法
- 选择合适的解析后端（pipeline vs VLM）
- 根据文档复杂度调整参数
- 利用 GPU 加速（如可用）
内存和显存优化
- 在配置文件中设置适当的资源限制
- 分批处理大型文档
- 根据硬件条件选择合适的模型
常见问题与解决方案
安装过程中的常见错误
- Python 版本不匹配：确保使用 3.10-3.13 版本
- 依赖包冲突：使用虚拟环境隔离
- GPU 驱动问题：确保驱动和 CUDA 版本兼容
解析质量相关问题
- 文档格式复杂：调整解析参数
- OCR 识别不准确：选择合适的 OCR 语言模型
- 公式/表格识别错误：使用不同的解析后端
优势与应用场景
技术亮点
- MinerU2.5 模型：1.2B 参数的小模型，性能超越数十亿参数的多模态模型
- 高精度解析：在 OmniDocBench 基准测试中表现优异
- 多语言支持：支持 84 种语言的 OCR 识别
适用场景
- 学术论文解析
- 技术文档处理
- 法律文档分析
- 金融报告提取
- 企业知识库构建
总结
MinerU 作为一款专注于文档解析的工具，为 AI Agent 提供了高质量的文档处理能力。通过其强大的结构化解析、公式表格识别等功能，可以将复杂的 PDF 文档转换为机器可理解的格式，为后续的 AI 处理提供了坚实基础。
随着技术的不断发展，MinerU 在精度、速度和多语言支持方面都有望持续改进，为文档 AI 应用提供更强大的支持。
