开源文档解析引擎,OpenDataLab 出品 78k Star。PDF/Word/PPT/Excel/图片一键转 LLM 友好的 Markdown/JSON,公式转 LaTeX、表格转 HTML、跨页表格合并、109 语言 OCR;Pipeline 后端纯 CPU 可跑,VLM 后端精度 95+,另有 mineru.net 在线服务免部署
MinerU — 把复杂文档变成大模型能读的结构化数据
由上海人工智能实验室 OpenDataLab 团队开源,GitHub 78k+ Star、6.6k Fork。专为 RAG、知识库、Agent 语料、模型训练前的数据清洗而设计——它不是简单地「把文字抠出来」,而是把 PDF 里的阅读顺序、多栏排版、公式、表格、图表统统还原成干净的 Markdown / JSON。
解决什么痛点
普通 PDF 转文本工具常见的翻车:
- 双栏 / 多栏排版被读串行
- 数学公式变成乱码
- 表格结构散架、跨页表格被切成两半
- 扫描件、图片型 PDF 根本复制不出文字
- 页眉、页脚、页码、水印混进正文
MinerU 针对这些逐一处理:自动判断是否需要 OCR、剔除页眉页脚页码、按人类阅读顺序重排版面、跨页表格自动合并、公式转 LaTeX、表格转 HTML、图片与图注对应保留。
两套解析后端,按硬件选
| Pipeline 后端 | VLM / Hybrid 后端 | |
|---|---|---|
| 精度(OmniDocBench v1.6) | 86.47 | 95.39(high)/ 95.26(medium) |
| 硬件要求 | 纯 CPU 可跑,或 4GB 显存 | 需 GPU(Volta 架构以上)或 Apple Silicon,8GB 显存 |
| 特点 | 快、稳、不产生幻觉 | 精度高,能理解图表内容 |
| 核心模型 | PP-OCRv6(3.4 升级,精度 +11%) | MinerU2.5-Pro-1.2B |
没独显的机器加 -b pipeline 即可;Mac 的 Apple Silicon 芯片可以走 VLM 后端用 MPS 加速。
输入 / 输出
- 输入:PDF、Word(DOCX)、PPT(PPTX)、Excel(XLSX)、图片、网页。DOCX/PPTX/XLSX 从 3.0 / 3.1 起原生解析,比走转换链路快数十倍
- 输出:Markdown、JSON(带坐标与结构信息)、HTML 表格、LaTeX 公式
- OCR:109 种语言的检测与识别,支持手写体、多栏、扫描件
六种用法
- CLI:
mineru -p <输入> -o <输出>,CPU 模式加-b pipeline - API:REST 接口,同步
/file_parse+ 异步/tasks - WebUI:Gradio 界面 + FastAPI 服务
- MCP Server:接入 Cursor、Claude Desktop、Claude Code、Windsurf
- Docker:支持 Linux / Windows WSL2
- mineru-router:多卡负载均衡部署
- 官网在线服务:mineru.net,免安装直接用(详见下节)
- 另支持昇腾、寒武纪、昆仑芯等 10+ 家国产芯片
官网在线服务(mineru.net)
不想本地部署可直接用官方托管服务:提供在线网页工具、桌面客户端下载,以及两档 API。
| 精准解析 API | Agent 轻量解析 API | |
|---|---|---|
| 鉴权 | 需 Token | 免登录 |
| 单文件上限 | 200MB / 200 页 | 10MB / 20 页 |
| 批量 | 最多 200 个文件 | 仅单文件 |
| 输出格式 | Markdown / JSON / DOCX / HTML / LaTeX | 仅 Markdown(CDN 链接) |
| 额度 | 每账号每天 1000 页最高优先级解析 | IP 限频防滥用 |
支持上传 PDF、图片(png/jpg/jpeg/jp2/webp/gif/bmp)、Doc/Docx、PPT/PPTx、Xls/Xlsx、HTML,以及网页 URL 一键解析。轻量档还提供专供 Agent 的免登录调用通道。
安装
pip install uv
uv pip install -U "mineru[all]"
# 首次运行自动下载模型,也可手动执行 mineru-models-download
生态集成
LangChain、LlamaIndex、RAGFlow、Dify、FastGPT 均有官方对接,提供 Python / Go / TypeScript SDK。
版本与许可
- 最新 3.4(2026-06-18):Pipeline 后端 OCR 升级到 PP-OCRv6,按网络环境自动选择模型下载源,批处理改为流式写出
- 3.3:Hybrid 后端新增
effort参数(medium / high),medium 档提速 35%–220% - 3.1 起:许可证从 AGPLv3 改为「MinerU Open Source License」(基于 Apache 2.0 的自定义许可),商用更友好
开源地址:https://github.com/opendatalab/MinerU · 在线体验:https://mineru.net
