MinerU PDF 转 Markdown

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

  1. 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。
  2. 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。
  3. 整个文件夹一起转就传目录路径,它会按文件名逐个输出。
  4. 扫描件记得打开 OCR 选项,纯文字 PDF 关掉会快不少。
  5. 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

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。