MinerU PDF Parser
将复杂PDF文档转换为机器可读的Markdown/JSON格式，适用于LLM和RAG应用。
安装
bash# 推荐使用uv安装 pip install uv uv pip install -U "mineru[all]" # 下载模型（首次使用） mineru-models-download
快速使用
命令行
bash# 解析单个PDF mineru -p input.pdf -o output_dir # 批量解析 mineru -p pdf_folder/ -o output_dir # 指定解析模式 mineru -p input.pdf -o output_dir --backend vlm # VLM模式（高精度） mineru -p input.pdf -o output_dir --backend pipeline # Pipeline模式（快速） mineru -p input.pdf -o output_dir --backend hybrid # 混合模式（平衡）
Python API
pythonfrom mineru import MinerU mineru = MinerU() result = mineru.parse("document.pdf") # 获取输出 markdown = result.to_markdown() json_data = result.to_json()
详细API见 references/api_reference.md
解析模式选择
| 模式 | 特点 | 适用场景 |
|---|---|---|
pipeline | 快速、资源少 | 简单文档、纯文本PDF |
vlm | 高精度、复杂布局 | 学术论文、公式表格文档 |
hybrid | 平衡速度精度 | 通用场景 |
输出文件
{filename}.md- Markdown正文{filename}_content_list.json- 结构化JSONimages/- 提取的图像{filename}_middle.json- 中间结果（调试）
格式详情见 references/output_formats.md
最佳实践
学术论文
bashmineru -p paper.pdf -o output --backend vlm
批量处理
pythonfrom mineru import MinerU import os mineru = MinerU(backend="hybrid") for pdf in os.listdir("pdfs/"): if pdf.endswith(".pdf"): result = mineru.parse(f"pdfs/{pdf}") result.save(f"output/{pdf[:-4]}/")
RAG数据准备
pythonsections = result.get_sections() for section in sections: vector_db.add(section.title, section.content)
启用GPU加速
修改 ~/.mineru.json 中 device-mode 为 cuda。
更多见 references/best_practices.md
验收标准（解析任务完成前自查）
- 输出目录里
.md与_content_list.json都存在,把实际路径回报用户 - 抽查 1-2 页对照原 PDF:表格/公式没有明显丢失或错乱;有问题主动告知而不是静默交付
- backend 选择有依据(简单文本→pipeline;公式表格密集→vlm;拿不准→hybrid)
- 批量任务报告成功/失败清单,失败的给原因
已知陷阱
| 陷阱 | 具体表现 | 应对 |
|---|---|---|
| 首次运行缺模型 | 未执行 mineru-models-download 直接解析报错 | 安装后先跑模型下载;下载体积大,提前告知用户耗时 |
| 无 GPU 硬跑 vlm | CPU 上 vlm 模式极慢,像卡死 | 无 GPU 时用 pipeline/hybrid;有 GPU 改 ~/.mineru.json 的 device-mode 为 cuda |
| 扫描件预期过高 | 低清晰度扫描 PDF 解析质量差 | 提前告知扫描件效果取决于清晰度;结果差时换 backend 重试一次,仍差则如实报告 |
| 大文件内存压力 | 数百页 PDF 单次解析内存暴涨 | 大文件分批解析或按章节拆分 |
脚本
使用 scripts/mineru_parse.py 进行解析，支持错误处理和日志记录。
