MinerU：3 条命令把 PDF 和 Office 文档解析成 Markdown/JSON

MinerU：3 条命令把 PDF 和 Office 文档解析成 Markdown/JSON

【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerU

MinerU 是一个开源文档解析引擎，把 PDF、图片、DOCX、PPTX、XLSX 转成带阅读顺序的 Markdown 与 JSON，供大模型和 RAG 系统直接消费。默认的 pipeline 后端在纯 CPU 上就能运行，GPU 场景最低 4GB 显存。

能力速览

• 5 种格式原生进：PDF、图片、DOCX、PPTX、XLSX 直接解析，Word 和 Excel 不再需要先转成 PDF。
• 公式转 LaTeX、表格转 HTML：公式和表格自动识别成可编辑的结构化内容，支持跨页表格合并。
• 109 种语言 OCR：自动检测扫描件和乱码 PDF，并启动 OCR。
• 4GB 显存或纯 CPU 可用：pipeline 后端支持纯 CPU 环境，官方文档标注 OmniDocBench v1.6 综合分为 86.47。

3 条命令跑起解析：零配置上手

安装

pip install --upgrade pip pip install uv uv pip install -U "mineru[all]"

mineru[all]包含全部核心功能，兼容 Windows / Linux / macOS，要求 Python 3.10–3.13。首次运行会自动下载模型；无法访问 HuggingFace 时执行一行export MINERU_MODEL_SOURCE=modelscope切到国内模型源即可。

跑第一个文件

mineru -p ./demo/pdfs/demo1.pdf -o ./output

输入路径也可以是目录，批量文件会按文件名分别输出。每个文件会生成主.md文件、images/图片目录、含坐标与阅读顺序的.json，以及用于质检的layout.pdf布局可视化文件。没有 GPU 时加-b pipeline强制走 CPU 后端。

后端按硬件和精度需求选择：

引擎室：流水线如何解析一页

pipeline 后端是一条模块化流水线，每个环节由专门的小模型负责，主流程编排在 mineru/backend/pipeline/，数据流向如下：

布局检测先定位每一块内容

布局模型（如mineru/model/layout/pp_doclayoutv2.py）输出每个内容块的位置、类型和阅读顺序，页眉、页脚、页码在这一步被剥离，多栏版式按人类阅读顺序重排。

公式与表格各走专属模型

文本块再分流给专用模型：公式模型把数学符号转成 LaTeX，表格恢复模块 mineru/model/table/rec/ 支持有线和无线表格，输出 HTML；扫描件则走 OCR 通道完成 109 语言识别。

精度不够时切换 hybrid 或 vlm 后端

对复杂文档，可选 1.2B 参数的 MinerU2.5-Pro VLM 做端到端解析。官方标注其 OmniDocBench v1.6 综合分为 95.39，明显高于 pipeline 的 86.47，代价是 8GB 显存起步。

进阶玩法：从单文件到流水线

批量目录解析：把-p指向目录（如./demo/pdfs），批量推理采用流式写盘，解析完成的文件即时落盘，适合整本论文或整批报告的转换。

接入 API 与多卡调度：启动mineru-api --host 0.0.0.0 --port 8000后，POST /tasks提交任务并返回task_id，GET /tasks/{task_id}/result取结果，服务实现见 mineru/cli/fast_api.py；再加一层mineru-router即可做统一入口和多 GPU 负载均衡。

精度与速度二选一：hybrid 后端提供effort参数，两档实测对比如下：

官方默认使用medium，需要图像分析或最高精度时切回high。

如果你手头有一批格式诡异的 PDF，不妨先跑一遍仓库里的demo1.pdf，生成的layout.pdf会把每页的块位置和阅读顺序标出来，解析质量一眼可查。

• 完整使用指南
• FAQ 常见问题
• 源码入口

【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerU