MinerU：把 PDF 拆成可读数据

MinerU 把复杂 PDF 和 Office 文档拆成 LLM 能读的 Markdown / JSON，公式、表格、多栏排版是它重点处理的。

学术论文、技服手册、扫描版合同这三类文件，直接丢给模型基本白搭：公式变乱码、表格变空格、双栏交错。MinerU 是上海人工智能实验室体系下开源的文档解析工具，专门针对这类“难搞的 PDF”。它不只做 OCR，而是把版面、公式、表格分别识别后再重组成结构。

基本信息

核心能力

公式转 LaTeX。 论文里的行内公式、独立公式会被识别并转成 LaTeX。做学术知识库时，这一步决定了模型能不能正确理解推导过程。

表格保留结构。 输出 Markdown 表格或 HTML 表格，尽量保留行列合并关系。财报、参数对比表这类内容不会变成一堆断行。

多栏与阅读顺序。 双栏论文、带侧边批注的文档，会按阅读顺序重组，不会左右栏交错。

扫描件与 OCR。 内置 OCR 能力，扫描版 PDF（无文字层）也能处理，支持多语言。

两种后端可选。 官方提供 pipeline（传统流程，依赖轻一些）与 vlm（视觉大模型）两条路线。前者资源需求低，后者对复杂版面效果更好，按机器配置选。

使用上手

1. 准备 Python 环境（建议 3.10 以上）与足够的磁盘（模型要下载）。
2. 按官方文档安装：pip install -U "mineru[core]"（具体附加项以仓库 README 为准）。
3. 先跑一个文件：mineru -p 你的文件.pdf -o ./output。
4. 打开输出目录，先看 Markdown 里的公式与表格是否正确。
5. 效果不理想时切到 vlm 后端重跑，对比两者差异。
6. 批量处理时写成循环或调 Python API，不要一个个手敲。
7. 有 GPU 时确认模型真的跑在 GPU 上，否则大文件会很慢。

优点与不足

优点是公式与表格处理能力在国内同类里靠前；对中文文档友好；开源可本地跑；有在线服务可以先用后部署。不足是许可证不是纯 Apache-2.0：官方在 Apache-2.0 基础上加了商业条款（涉及商业使用阈值），商用前必须读原文；安装依赖重，首次下载模型耗时；没有 GPU 时速度慢；极端排版（手写、透视拍照、红章遮盖）仍会错。

适合谁

适合做论文库、法规库、技术手册知识库的团队；适合需要本地化处理敏感文档的机构；适合做 RAG 数据清洗的工程师。不适合只想快速读一两页 PDF 的人（用现成阅读器更快）。

下载与访问

仓库：https://github.com/opendatalab/MinerU
官网：https://mineru.net
许可证原文：仓库内 LICENSE.md

许可证与部署

商用前务必读 LICENSE.md 里的商业使用阈值，避免超过后再补授权。

本文属于「项目」分类的 AI 资源专栏，更多评测见分类页。