5 分钟跑通 MinerU从 PDF 到 LLM-ready Markdown 的文档解析完整路线【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上周我把一份 40 页的行业报告喂进公司的 RAG 系统检索结果里全是乱码和错位的表格。排查到最后发现问题根本不在向量库而在最上游——PDF 保存的是视觉排版不是可读文本。如果你也在给大模型、RAG 或 Agent 喂资料时栽过同样的跟头MinerU 值得花 5 分钟试一下这是一款能把 PDF、图片以及 DOCX、PPTX、XLSX 统一转换为 LLM-ready 的 Markdown 与 JSON 的文档解析工具。一句话说清它的价值MinerU 负责把机器看不懂的文档翻译成模型吃得了的结构化数据让检索、抽取、问答的准确率从源头开始就站得住。能力速览一份清单看懂它能干什么动手之前先花 30 秒建立全局认知。MinerU 的核心能力拆成三块输入广PDF、扫描件/图片、DOCX、PPTX、XLSX 全格式覆盖输出稳符合人类阅读顺序的 Markdown多模态 / NLP 两套、带坐标与语义的 JSON、中间格式以及 layout / span 可视化文件用于质检还原准公式转 LaTeX、表格转 HTML、自动去除页眉页脚页码、跨页表格自动合并OCR 检测与识别支持 109 种语言纠结该选哪个解析后端时这张表就是判断依据解析后端最低显存能否纯 CPUOmniDocBench v1.6 得分适合谁pipeline4GB可以86.47通用文档、资源有限的环境hybrid8GB不行95.26medium/ 95.39high复杂版面、追求精度vlm8GB不行95.30高精度解析与图像/图表分析一句话总结要省资源选 pipeline要精度选 hybrid要做大规模批量任务再考虑 vlm 与分布式编排。快速上手3 条命令完成首次解析安装用 UV 包管理器全程两条命令国内网络建议加阿里云镜像加速pip install --upgrade pip -i https://mirrors.aliyun.com/pypi/simple pip install uv -i https://mirrors.aliyun.com/pypi/simple uv pip install -U mineru[core] -i https://mirrors.aliyun.com/pypi/simple装完后先切模型源。默认从 HuggingFace 拉权重国内网络经常失败一条环境变量切到 ModelScopeexport MINERU_MODEL_SOURCEmodelscope首次运行会自动下载模型pipeline 后端约几个 GB之后就是一条命令的事。拿项目自带的样例 PDF 跑一次最简流程mineru -p demo/pdfs/demo1.pdf -o ./output去输出目录看结果你会得到一套完整的解析产物demo1.md可直接投喂给 LLM 的 Markdowndemo1_model.json/demo1_middle.json含坐标与语义的结构化数据demo1_layout.pdf版面布局可视化每个框右上角的数字就是阅读顺序images/文档中提取的图片与图表资源验证输出很简单先打开*_layout.pdf看阅读顺序编号是否从左到右、从上到下再打开.md抽查公式和表格有没有变形。深度体验用一篇学术论文验证三个硬场景以 demo 目录里的学术论文为样本MinerU 最见功力的场景有三个1. 公式还原。行内公式与独立公式会被自动识别并转成 LaTeX解析结果可以直接送进问答系统不会出现图片式的乱码公式。2. 跨页表格合并。表格被分页截断是解析工具的经典翻车点MinerU 会把拆散的表格重新拼成完整的 Markdown 表格表头与结构都能保留。3. 阅读顺序。双栏论文按栏阅读而不是按行交错MinerU 输出的 Markdown 符合真实人类阅读顺序页眉页脚被去掉语义更连贯。进阶调优时记住两个实用命令# 用 hybrid 后端 high 强度换极致精度 mineru -p demo/pdfs/demo1.pdf -o ./output -b hybrid --effort high # 启动 Gradio 可视化界面上传文件即可解析 mineru-gradio --server-port 7860其中--effort是 hybrid 后端的解析强度参数medium精度只降 0.13但速度在不同设备上能提升 35%~220%适合日常大批量任务high则解锁图像/图表分析能力给精度敏感的场景用。默认就是 medium日常场景不用额外配置。避坑指南4 个高频问题的排查清单① 模型下载失败或极慢。优先设置MINERU_MODEL_SOURCEmodelscope想离线部署时模型缓存命中后不会重复下载相关配置详见docs/zh/usage/model_source.md。② 显存不够跑不动。4GB 显存选 pipeline低于 8GB 别碰 hybrid/vlm。实在没有 GPUpipeline 支持纯 CPU 推理只是会慢一些。③ Windows 下没有 CUDA 加速。去 PyTorch 官网按自己的 CUDA 版本重装torch与torchvisionCLI 才能自动走 GPU。④ 长文档内存爆掉。3.x 版本用滑动窗口优化了解析链路上万页文档不需要手动拆分解析支持多线程并发配合mineru-router可一键多卡部署、任务自动负载均衡。生态与资源从命令行到企业级部署MinerU 不只是一个 CLI 工具接入方式相当齐全API 化mineru-api提供 FastAPI 接口异步POST /tasks 同步POST /file_parsemineru-router负责多服务 / 多 GPU 的统一入口AI 工具链内置 MCP Server可接入 Cursor、Claude Desktop 等 AI 编程工具与 LangChain、Dify、FastGPT、RAGFlow 等框架原生集成全平台Windows / Linux / macOS 通吃还适配了昇腾、寒武纪、摩尔线程等十余款国产算力可视化质检除 CLI 外mineru-gradio提供 WebUIdocs/zh/reference/output_files.md详细解释了每个输出文件的用途核心流程的源码入口在mineru/backend/pipeline/想深入理解解析链路或做二次开发从pipeline_analyze.py读起最顺。现在就动手你的第一份 PDF 只差一条命令别再让格式错乱、表格丢失、公式变形成为 RAG 和 Agent 的上游瓶颈。MinerU 把PDF 转 Markdown这件事从凑合能用做到了开箱即用你只需要付出 5 分钟和一条命令。跑通 demo 之后把你手头最难啃的那份 PDF 丢给它对比一下前后效果大概率会有惊喜。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考