把 PDF、网页、电子书喂给大模型，第一步往往是「先变成干净的 Markdown」。但扫描件、复杂表格、公式、多栏排版，常规工具一碰就乱，出来的文本错行错位，RAG 直接废。MinerU（OpenDataLab 团队）专门解决这个：它用深度学习做版面检测与 OCR，把各种文档高质量转成 Markdown/JSON，连公式和表格都尽量保真，是中文圈里把「文档入场」做扎实的开源工具。

对做知识库、智能问答、论文分析的团队来说，文档清洗往往是最大的隐性成本。MinerU 把这道工序标准化：上传一份 PDF，出来的就是结构清晰、可溯源的 Markdown 与坐标信息，能直接进 RAG 管线，省去大量人工校对。

项目基本信息

信息项详情
项目名称MinerU
GitHub地址https://github.com/opendatalab/MinerU
项目描述Transforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.
作者opendatalab
开源协议Apache-2.0（含附加商业条款）
开源状态公开
LanguagesPython
Stars82,554
Forks6,821
支持平台Windows / macOS / Linux
最后更新2026-10-26

一、项目介绍

MinerU 是 OpenDataLab 开源的文档提取工具，把 PDF、网页、电子书等高质量转换为 Markdown 与结构化 JSON。它基于深度学习做版面分析、公式识别与 OCR，并提供 Python SDK、命令行、批量转换服务与 Gradio WebUI，方便接入 RAG 与智能问答。

二、核心优势

  • 深度文档理解：版面、表格、公式尽量保真。
  • 多形态交付：Python SDK、CLI、API 服务、WebUI 一应俱全。
  • 模型可配：小模型用 ONNX/Torch，VLM 用 llama.cpp/vLLM/LMDeploy。
  • 长文档友好：分块续接，不必整篇塞进上下文。
  • 生态接驳：直接对接 RAG 与本地问答场景。

三、适用场景

  • 构建知识库与 RAG 前的文档清洗。
  • 论文、合同、报告的结构化提取。
  • 扫描件数字化与 OCR。
  • 让 AI 读本地文档并问答。

四、安装教程

需要 Python 环境，安装完整版：

pip install -U "magic-pdf[full]"
mineru --install-deps

--install-deps 会拉取模型权重。常见报错：依赖装不全——务必用 [full]；模型缺失——执行 --install-deps；CUDA 报错——CPU 也能跑，按需装 GPU 版。

五、使用示例

转换一份本地 PDF：

mineru -p input.pdf -o ./output

产物包含 Markdown 与 JSON，保留识别出的块与坐标，可直接喂给 RAG 管线，无需再人工校对版式。

六、常见问题

  • 支持哪些格式？PDF、网页、电子书、图片等。
  • 需要 GPU 吗？CPU 可跑，GPU 更快。
  • 商用有限制吗？基于 Apache-2.0 但有附加商业条款，超高规模需单独授权。
  • 和常规 PDF 解析比？复杂版式与公式还原度显著更高。

七、总结

MinerU 把「文档变成干净上下文」这件脏活累活做扎实了。它是中文场景下构建文档型 AI 应用最值得采用的开源提取工具之一。