# MinerU - 文档解析引擎

> 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](https://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

```bash
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>

---

**分类**：程序员
**标签**：解析 · 语言 · MinerU
**作者**：子龙
**链接**：https://octohz.com/p/1403