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

MinerU3 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/MinerUMinerU 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_SOURCEmodelscope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后端资源要求适用场景pipeline纯 CPU 或 4GB 显存通用 PDF 解析hybrid / vlm8GB 显存复杂版式、更高精度*-http-client2GB 显存对接已有 OpenAI 兼容服务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_idGET /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effort相对 high 的分数损失解析提速medium0.13 分35%220%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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考