MinerU 使用指南把 PDF、Office 和扫描件变成 LLM 能读的 Markdown 与 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/MinerUMinerU 是一款开源文档解析工具把 PDF、图片、DOCX、PPTX、XLSX 转成带阅读顺序和坐标信息的 Markdown 与 JSON帮你为 RAG 和 Agent 工作流准备干净的文档数据。什么场景下你会被解析工具卡住把论文或报告喂给知识库时直接复制出来的文本顺序混乱页眉、脚注和正文交叉向量检索后答非所问。扫描件、合同照片、手写材料完全无法复制文字只能人工重录。学术论文里的双栏排版、跨页表格、行间公式普通工具解析后结构全丢公式变成一堆乱码符号。手头有大批 PPT 和 Excel 需要整理内容却出不来成结构化数据。如果你的文档要进大模型流水线上面任何一种情况都会让下游质量大打折扣。MinerU 是什么能做什么不做什么MinerU 定位是文档解析引擎输入 PDF、图片、DOCX、PPTX、XLSX 文件或目录输出按阅读顺序组织的 Markdown 和结构化 JSON供检索、抽取、二次开发消费。三个核心能力结构还原公式自动转 LaTeX表格转 HTML图片与图表单独提取并保留题注、脚注的关联。扫描件与多语言支持自动检测扫描版、乱码页面并启用 OCR 路径OCR 覆盖 109 种语言。多种使用形态命令行、FastAPI 服务、Gradio 网页界面、Docker 部署都内置同一套解析能力可以本地跑也可以做成服务。它不做的不是对话式大模型不负责基于文档的问答也不是文档编辑器重点是把内容准确地搬出来。安装并解析第一份文档第一步安装要求 Python 3.10–3.13。mineru[all]包含全部核心功能兼容 Windows、Linux、macOSpip install --upgrade pip pip install uv uv pip install -U mineru[all]首次运行会自动下载解析模型。如果访问 huggingface 网络不畅先设置环境变量MINERU_MODEL_SOURCEmodelscope再启动即可切换国内模型源。第二步解析一个示例文件mineru -p demo/pdfs/demo1.pdf -o ./output没有 GPU 时追加-b pipeline可以纯 CPU 运行。第三步确认结果运行完成后./output目录下应该看到*.md解析结果、*_middle.json等结构化数据、images/图片目录以及可视化文件{文件名}_layout.pdf——打开它可以看到每页各内容块的检测框和阅读顺序编号是核对解析质量最直观的方式。看到 Markdown 里标题层级、公式、表格都完整就说明跑通了。一份文档进来之后发生了什么MinerU 的 pipeline 后端把解析拆成四层每层独立可查预处理提取元数据判断页面是文本型还是扫描版乱码检测自动决定走文本提取还是 OCR。模型层布局检测把页面里的标题、正文、表格、公式等区域框出来、文本 OCR、公式检测。管线层坐标修复、图片合并、跨页表格合并、段落合并、页眉页脚等无意义块剔除统一汇入中间态middle.json。输出层生成多模态/NLP 两种 Markdown、content_list系列 JSON以及 layout/span 可视化文件。这种分层的做法意味着哪一步出问题了你都能用对应的中间文件或可视化结果定位而不是面对一个黑盒。选对后端与硬件不同后端在精度和资源占用上差别明显官方在 OmniDocBenchv1.6端到端综合得分的参考数据如下解析后端精度得分硬件要求特点pipeline86.47纯 CPU 可跑GPU 最低 4GB 显存兼容性最好无幻觉结果稳定hybrid-engine95.39high/ 95.26medium最低 8GB 显存高精度保留原生文本提取vlm-engine95.30最低 8GB 显存精度最高基于 vLLM/LMDeploy 等推理框架*-http-client95.39 / 95.30客户端最低 2GB 显存连远程 OpenAI 兼容模型服务本机无需装模型选型建议普通机器先试pipeline零门槛适合验证流程。有 8GB 以上显存且追求精度用hybrid-engine并通过effort参数在medium更快和high精度优先之间权衡。通用环境要求内存最低 16GB、磁盘最低 20GBDocker 部署支持 Linux 和 WSL2macOS 建议直接 pip 安装。需要服务化时用mineru-api起接口mineru-router做多服务、多 GPU 的任务路由想免命令行体验可跑mineru-gradio。 下一步与资源入口快速使用与命令行参数docs/zh/usage/quick_usage.md输出文件字段说明docs/zh/reference/output_files.md常见问题 FAQdocs/zh/faq/index.md调用示例与演示文件demo/demo.py、demo/pdfs/Docker 部署docker/【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 MinerU 使用指南：把 PDF、Office 和扫描件变成 LLM 能读的 Markdown 与 JSON
MinerU 使用指南把 PDF、Office 和扫描件变成 LLM 能读的 Markdown 与 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/MinerUMinerU 是一款开源文档解析工具把 PDF、图片、DOCX、PPTX、XLSX 转成带阅读顺序和坐标信息的 Markdown 与 JSON帮你为 RAG 和 Agent 工作流准备干净的文档数据。什么场景下你会被解析工具卡住把论文或报告喂给知识库时直接复制出来的文本顺序混乱页眉、脚注和正文交叉向量检索后答非所问。扫描件、合同照片、手写材料完全无法复制文字只能人工重录。学术论文里的双栏排版、跨页表格、行间公式普通工具解析后结构全丢公式变成一堆乱码符号。手头有大批 PPT 和 Excel 需要整理内容却出不来成结构化数据。如果你的文档要进大模型流水线上面任何一种情况都会让下游质量大打折扣。MinerU 是什么能做什么不做什么MinerU 定位是文档解析引擎输入 PDF、图片、DOCX、PPTX、XLSX 文件或目录输出按阅读顺序组织的 Markdown 和结构化 JSON供检索、抽取、二次开发消费。三个核心能力结构还原公式自动转 LaTeX表格转 HTML图片与图表单独提取并保留题注、脚注的关联。扫描件与多语言支持自动检测扫描版、乱码页面并启用 OCR 路径OCR 覆盖 109 种语言。多种使用形态命令行、FastAPI 服务、Gradio 网页界面、Docker 部署都内置同一套解析能力可以本地跑也可以做成服务。它不做的不是对话式大模型不负责基于文档的问答也不是文档编辑器重点是把内容准确地搬出来。安装并解析第一份文档第一步安装要求 Python 3.10–3.13。mineru[all]包含全部核心功能兼容 Windows、Linux、macOSpip install --upgrade pip pip install uv uv pip install -U mineru[all]首次运行会自动下载解析模型。如果访问 huggingface 网络不畅先设置环境变量MINERU_MODEL_SOURCEmodelscope再启动即可切换国内模型源。第二步解析一个示例文件mineru -p demo/pdfs/demo1.pdf -o ./output没有 GPU 时追加-b pipeline可以纯 CPU 运行。第三步确认结果运行完成后./output目录下应该看到*.md解析结果、*_middle.json等结构化数据、images/图片目录以及可视化文件{文件名}_layout.pdf——打开它可以看到每页各内容块的检测框和阅读顺序编号是核对解析质量最直观的方式。看到 Markdown 里标题层级、公式、表格都完整就说明跑通了。一份文档进来之后发生了什么MinerU 的 pipeline 后端把解析拆成四层每层独立可查预处理提取元数据判断页面是文本型还是扫描版乱码检测自动决定走文本提取还是 OCR。模型层布局检测把页面里的标题、正文、表格、公式等区域框出来、文本 OCR、公式检测。管线层坐标修复、图片合并、跨页表格合并、段落合并、页眉页脚等无意义块剔除统一汇入中间态middle.json。输出层生成多模态/NLP 两种 Markdown、content_list系列 JSON以及 layout/span 可视化文件。这种分层的做法意味着哪一步出问题了你都能用对应的中间文件或可视化结果定位而不是面对一个黑盒。选对后端与硬件不同后端在精度和资源占用上差别明显官方在 OmniDocBenchv1.6端到端综合得分的参考数据如下解析后端精度得分硬件要求特点pipeline86.47纯 CPU 可跑GPU 最低 4GB 显存兼容性最好无幻觉结果稳定hybrid-engine95.39high/ 95.26medium最低 8GB 显存高精度保留原生文本提取vlm-engine95.30最低 8GB 显存精度最高基于 vLLM/LMDeploy 等推理框架*-http-client95.39 / 95.30客户端最低 2GB 显存连远程 OpenAI 兼容模型服务本机无需装模型选型建议普通机器先试pipeline零门槛适合验证流程。有 8GB 以上显存且追求精度用hybrid-engine并通过effort参数在medium更快和high精度优先之间权衡。通用环境要求内存最低 16GB、磁盘最低 20GBDocker 部署支持 Linux 和 WSL2macOS 建议直接 pip 安装。需要服务化时用mineru-api起接口mineru-router做多服务、多 GPU 的任务路由想免命令行体验可跑mineru-gradio。 下一步与资源入口快速使用与命令行参数docs/zh/usage/quick_usage.md输出文件字段说明docs/zh/reference/output_files.md常见问题 FAQdocs/zh/faq/index.md调用示例与演示文件demo/demo.py、demo/pdfs/Docker 部署docker/【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