📌 项目地址：opendatalab/MinerU | ⭐ 69,352 颗星 | 🔧 Python | 📜 未标注
项目到底在解决什么问题
在LLM、RAG和Agent工作流中，一个常见的瓶颈是将非结构化文档（PDF、扫描件、Office文件）转化为模型可消费的结构化文本。传统方案往往在复杂版面、公式、表格、跨页合并等场景下出现乱序、信息丢失或OCR精度不足。MinerU 正是为此而生：它以高精度版面重排 + VLM/OCR双引擎为核心，将复杂文档直接输出为Markdown或JSON，输出顺序符合人类阅读习惯，并能自动剔除页眉页脚。
项目由 OpenDataLab 开源，在 GitHub 上获得 69k+ Star，支持 109 种语言 OCR，已与 LangChain、Dify、FastGPT、MCP Server 等主流工具原生集成，同时提供在线 Web 版、桌面客户端、API、Docker 等多种使用形态。
核心能力一览
- 输入格式：PDF、DOCX、PPTX、XLSX、图片、网页。
- 输出格式：Markdown（含 LaTeX 公式、HTML 表格）和 JSON。
- 引擎选择：
pipeline引擎：速度快、无幻觉，可在 CPU/GPU 运行，最新版本已升级为 PP‑OCR v6，OCR 精度提升约 11%（OmniDocBench v1.6 测试）。vlm-engine：基于视觉语言模型，高精度，支持 vLLM、LMDeploy、mlx 等后端。hybrid-engine：结合原生文本提取与 VLM，兼顾准确率和低幻觉。- 特色功能：
- 扫描件、手写体、多栏布局自动排版。
- 跨页表格自动合并。
- 公式 → LaTeX，表格 → HTML。
- 109 语言 OCR（同时包含日文、繁中、英文、拉丁文等）。
实际用法（基于官方文档）
由于 MinerU 提供多种接入方式，以下列出常见的几种使用路径。注意：具体命令请以项目 README / 官方文档为准。
| 使用形态 | 简介 | 参考入口 |
|---|---|---|
| Python SDK | 通过 pip install mineru 安装后，在代码中调用解析函数 |
PyPI |
| CLI 命令行 | 安装后使用 mineru 命令直接处理单个文件或目录 |
README 中的 CLI 说明 |
| Docker | 拉取镜像一键部署，支持私有机离线环境 | README 中的 Docker 章节 |
| MCP Server | 集成到 Cursor、Claude Desktop、Windsurf 等 AI 编程工具 | 项目文档的 MCP 集成部分 |
| 在线体验 | 无需安装，直接在浏览器中使用 | mineru.net |
| 桌面客户端 | 完整功能的全平台 GUI 程序 | 项目主页下载 |
| REST API | 通过 HTTP 接口远程调用 | 官方文档 API 部分 |
典型场景示例：在 RAG 流程中将 PDF 转化为结构化 Markdown，然后直接喂给 LangChain 的 Document Loader。MinerU 官方已提供 LangChain 集成组件，无需手动转换。
与同类工具的差异
常见的 PDF 解析库（如 PyMuPDF、pdfplumber、Camelot、Unstructured）各有侧重：
| 工具 | 主要优势 | 主要局限 |
|---|---|---|
| PyMuPDF | 轻量，支持文本/图片提取 | 缺少版面重排，表格/公式处理弱 |
| pdfplumber | 精确的文字定位与表格提取 | 不处理扫描件，版面恢复差 |
| Unstructured | 多格式支持，有分区标注 | 对复杂版式容易丢序，OCR 依赖第三方 |
| MinerU | 双引擎（传统OCR + VLM），版面重排，跨页表格，公式 LaTeX，Office 原生支持 | 模型文件较大，首次下载需一定时间 |
MinerU 的独特价值在于输出质量直接面向 LLM/RAG：它不仅提取文字，还保留阅读顺序、数学公式、表格结构，并且支持 VLM 引擎处理模糊或手写文档。对于需要高精度结构化数据的 Agent 工作流，MinerU 是目前开源方案中完成度最高的选择之一。
需要注意的事项
- 许可证：项目采用 Apache 2.0 开源协议，可商用，但需注意使用的模型（如 PP‑OCR、VLM 权重）可能附带各自许可证。
- 模型下载：首次运行
pipeline或vlm-engine时会自动下载模型文件（数百 MB 至数 GB），请确保网络通畅。如需完全离线部署，可提前在官方指南中获取模型包。 - 硬件要求：
pipeline引擎：CPU 即可运行（速度尚可），GPU 可显著加速 OCR 和版面分析。vlm-engine推荐至少 8GB 显存（具体取决于模型大小）。- 局限性：
- 极复杂的表格（如斜线表头、嵌套表格）可能无法完美还原，但在主流文档上表现优于多数同类工具。
- 对于纯图像型 PDF（扫描件），依赖 OCR 准确性，新版 PP‑OCRv6 已有大幅提升。
- 生态依赖：若与 LangChain、Dify 等框架集成，需额外安装对应的 Integration 包（文档中有详细指引）。
总结
MinerU 是一个生产级别的文档解析引擎，尤其适合需要将 PDF、Office 文档转化为 LLM 可用的结构化 Markdown/JSON 的场景。它的双引擎架构、跨页表格合并、公式 LaTeX 输出以及对国产芯片的支持，使其在 RAG 知识库构建、Agent 数据预处理、AI 编程工具集成等实际任务中非常实用。如果你的项目目前还在用 pdfplumber 加正则处理表格，或者因为多栏文档乱序而头疼，不妨直接试试 MinerU 的在线版或 Docker 一键部署。