MinerU

开源文档解析工具，可将 PDF 与扫描件转换为结构化 Markdown 供模型使用。

MinerU 是面向 AI 数据准备场景的开源文档解析工具，核心能力是将 PDF（含扫描件、图片型 PDF）转换为结构化的 Markdown 文本，供大模型训练、RAG（检索增强生成）或知识库构建直接使用。其官网提供在线解析服务，代码仓库开放，适合开发者与数据工程团队集成。

解决什么问题

• PDF 中的内容无法直接被模型读取：PDF 的排版信息（段落、表格、多栏）在提取后常丢失或错乱，MinerU 保留文档层级与结构。
• 扫描件需要 OCR 但不止于 OCR：普通 OCR 输出纯文本，MinerU 在识别文字的同时重建标题层级、列表、表格、公式等结构化元素。
• 预处理成本高：手动清洗 PDF 转 Markdown 耗时，MinerU 提供自动化流水线，减少人工介入。

核心能力

| 功能模块 | 具体说明 |

| --- | --- |

| 版面分析 | 自动识别标题、正文、页眉页脚、图表区域，剔除冗余信息 |

| 表格还原 | 将复杂表格（含跨行跨列、合并单元格）转换为 Markdown 表格语法 |

| 公式识别 | 支持 LaTeX 公式提取，适用于学术论文、理工类文档 |

| OCR 引擎 | 内置扫描件文字识别，支持多语言（含中文），无需预先额外安装 OCR 组件 |

| 输出格式 | 标准 Markdown 文件，兼容主流 LLM 上下文格式与向量化工具 |

适用场景

• RAG 知识库构建：将企业 PDF 手册、合同、报告转换为干净的文本块，提升检索命中率。
• 大模型微调数据清洗：需要大批量 PDF 转为结构化文本作为训练语料。
• 文档内容复用：从 PDF 中提取信息后重新排版或导入笔记系统（如 Obsidian、Notion）。
• 学术研究：处理论文 PDF，保留公式与参考文献格式。

使用方式

• 在线体验：访问官网直接上传 PDF，获取解析结果，适合快速验证效果。
• 本地部署：通过 GitHub 获取源码，支持命令行调用与 API 集成，便于批量处理与私有化部署。
• 性能参考：处理速度取决于文档页数与复杂度，扫描件耗时高于数字原生 PDF，建议先在小样本上测试。

注意事项

• 解析质量受原文件清晰度影响，低分辨率扫描件可能产生识别误差。
• 复杂版式（如报纸多栏、手写批注）无法做到 100% 还原，需人工抽检。
• 项目处于活跃迭代阶段，新版本可能调整接口参数，集成时关注官方更新日志。

结论

MinerU 适合作为 PDF 转 Markdown 的首选开源工具，尤其适合需要批量处理、且对输出结构完整性有要求的 AI 工程场景。建议先使用在线服务验证你的典型文档类型，再决定是否引入本地流水线。

常见问题

MinerU 是什么？

开源文档解析工具，可将 PDF 与扫描件转换为结构化 Markdown 供模型使用。

MinerU 的官方网站是什么？

MinerU 的官方网站是 https://mineru.net，可直接在浏览器中打开使用。