
MinerU 是上海人工智能实验室 OpenDataLab 团队开源的文档解析工具,GitHub 约 8.3 万星,Python 实现。它把 PDF、Word、PPT 里的正文、表格、公式和图片按原版面结构抽出来,输出成 Markdown 或结构化 JSON,专门解决「PDF 喂给大模型就变成一堆乱码」这个问题。
把行业报告丢给 AI,最常见的结果是它把两栏排版的文字按行读串了,表格被拉成一堆数字,公式变成乱码,页眉页脚混在正文里。你以为是模型不行,其实是喂进去的文本本身已经烂了。一份三十页的白皮书,手工复制粘贴整理要两小时,还不如不看。
它到底在解决什么
MinerU 先用版面分析把页面切成正文区、表格区、图注、页眉页脚,再按阅读顺序拼回文档,公式单独识别成 LaTeX,表格还原成 Markdown 表格。输出是一份结构清楚的 Markdown,章节层级、表格、公式都在该在的位置,直接能进知识库或者贴给模型。据 GitHub 项目页显示,它的目标是把复杂文档变成「LLM-ready」的结构化内容,扫描件走 OCR 通道也能处理。
关键参数一览
| 项目 | 情况 |
|---|---|
| 实现语言 | Python,可命令行也可调 API |
| 输入格式 | PDF、DOCX、PPTX、图片 |
| 输出格式 | Markdown、JSON(保留版面坐标与层级) |
| 关键能力 | 版面分析、表格还原、公式转 LaTeX、扫描件 OCR |
| 运行方式 | CPU 可跑,有显卡会快很多;也提供在线体验版 |
| 许可 | 仓库为自定义开源许可,商用需确认条款(含 AGPL 类义务) |
适合人群
- 要把行业报告、白皮书喂进知识库的运营和研究岗
- 做论文综述的学生:几十篇 PDF 一次转成可检索文本
- 整理政策文件的编辑:条款和表格不能丢结构
- 自建 RAG 的技术人:解析质量直接决定问答准不准
上手步骤
- 装 Python 环境,用 pip 安装官方包并下载模型权重,第一次要等一会儿。
- 命令行直接指定输入文件和输出目录,单个 PDF 一条命令就出 Markdown。
- 整个文件夹一起转就传目录路径,它会按文件名逐个输出。
- 扫描件记得打开 OCR 选项,纯文字 PDF 关掉会快不少。
- 转完打开核对一遍表格和公式,个别复杂排版需要手工修两行,别整个丢给模型。
几个容易踩的点
双栏排版的学术论文最容易出错,转完先看阅读顺序对不对。带水印、斜拍的扫描件识别率会掉,能拿到电子版就别用拍的。转出来的 Markdown 建议按章节切块再进知识库,一整份三万字的文件塞给模型照样会漏。
问:扫描版 PDF 能识别吗?
答:能,走 OCR 通道,中文印刷体的识别率不错,手写体和低分辨率扫描件会掉字。
问:必须用显卡吗?
答:不必须,CPU 也能跑,只是慢。几十页的报告用 CPU 也能接受,上百页的批量建议上显卡。
问:转出来的表格能直接用吗?
答:简单表格基本还原成 Markdown 表格,合并单元格和跨页表需要人工看一眼。真要精确数据,转完再人工校对一遍比重新录入快。
问:能商用吗?
答:代码开源,但许可带类似 AGPL 的条款,做闭源产品集成前先看仓库 LICENSE,别想当然当 MIT 用。
最后更新:2026-11-10
