MinerU 文档解析引擎

MinerU 是什么

MinerU 是 OpenDataLab 开源的文档解析引擎，目标是把 PDF、Office 文档、扫描图片等复杂文档转换为 LLM 可直接消费的 Markdown / JSON，为 RAG、Agent 等下游应用提供干净的结构化文本。

核心能力

• 多格式支持：PDF、DOC/DOCX、PPT/PPTX、XLS/XLSX、EPUB、OFD、HTML、CSV 等。
• 版面分析：识别标题、段落、列表、表格、图片、公式等版面元素。
• OCR 识别：对扫描件与图片型 PDF 进行文字识别。
• 公式与表格：将公式转为 LaTeX，表格转为结构化格式。
• 稳定定位：保留页码与块级定位信息，便于引用与溯源。

典型工作流

原始文档 (PDF/Office/图片)
        │
        ▼
   MinerU 解析
        │
        ▼
 Markdown / JSON
        │
        ▼
 RAG 检索 / LLM Agent / 知识库

使用方式

MinerU 提供在线体验（mineru.net、HuggingFace、ModelScope）与本地部署两种方式。本地部署基于 Python，可通过 pip 安装后调用命令行或 Python API 进行批量解析。

适用建议

• 构建 RAG 知识库时，用 MinerU 替代通用 PDF 解析库，可显著提升表格与公式的还原质量。
• 处理长文档时，建议开启分页与块级定位，方便后续引用。
• 生产环境建议配置 GPU 以提升解析速度，并对关键文档做抽样校验。

注意事项

项目 License 信息未在仓库中明确标注，商用前请先确认授权条款；首次运行需要下载模型权重，请预留磁盘与网络资源。