🔥 MinerU：PDF文档一键转Markdown，LLM数据预处理神器

封面图

64k+ Stars 的开源文档解析引擎，支持 PDF/Office 多格式输入，自动 OCR 识别、公式转 LaTeX、表格转 HTML，输出 LLM 即用型 Markdown/JSON。写论文、喂 RAG、训模型，全是它的主场。

🚀 什么是 MinerU？

MinerU 是由上海人工智能实验室 OpenDataLab 团队开源的文档智能解析工具。它能将复杂文档（PDF、图片、DOCX、PPTX、XLSX）转换成 LLM 友好的 Markdown 或 JSON 格式，解决「文档进、AI 吃」之间的中间处理难题。

传统 PDF 解析工具普遍存在几个硬伤：多栏排版错乱、扫描件无法识别、公式变成乱码、表格脱框。MinerU 用一套端到端的方案把这些坑全填了。

核心定位：文档解析界的瑞士军刀，64k Stars 不是盖的

适用人群

AI 应用开发者：RAG 系统文档预处理、知识库自动构建
科研人员：论文 PDF 批量解析、公式提取
数据工程师：训练数据清洗、PDF 结构化抽取
教育从业者：教材数字化、题库自动化

核心功能一览

功能对比

🛠️ 5 分钟快速上手

安装

MinerU 一键安装，有多简单？

# pip 安装（推荐 uv，比 pip 快 10 倍）
pip install --upgrade pip
pip install uv
uv pip install -U "mineru[all]"

# 或从源码安装
git clone https://github.com/opendatalab/MinerU.git
cd MinerU
uv pip install -e .[all]

# Docker 部署
docker pull opendatalab/mineru:latest

注意：加 [all] 安装所有核心功能，包含 OCR 引擎和公式识别模型

基本使用

一行命令，PDF 秒变 Markdown：

# 单文件解析
mineru -p input.pdf -o output/

# 批量处理整个目录
mineru -p ./pdfs/ -o ./output/ -b pipeline

# 解析结果包含：Markdown + JSON + 图片 + 表格 + 公式

Python SDK 调用

from mineru import MinerU

parser = MinerU()
result = parser.parse(
    pdf_path="paper.pdf",
    output_format="markdown",
    ocr_enabled=True,
    formula_recognition=True,
    table_extraction=True
)

print(f"正文字数: {len(result.text)}")
print(f"图片数: {len(result.images)}")
print(f"表格数: {len(result.tables)}")

result.save("output.md")
result.save("output.json", format="json")

一行代码集成到 LangChain RAG：

from mineru import MinerU
from langchain.text_splitter import RecursiveCharacterTextSplitter

parser = MinerU()
md_content = parser.parse("report.pdf").text

splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
chunks = splitter.split_text(md_content)
# 直接喂给 vector store！

与竞品对比

竞品对比

适用场景

1. RAG 知识库文档预处理

将企业文档（PDF 合同、Word 报告、Excel 数据表）一键转 Markdown/JSON，喂给向量数据库。

import os
from mineru import MinerU

parser = MinerU()
docs_dir = "company_docs/"

for fname in os.listdir(docs_dir):
    if fname.endswith(('.pdf', '.docx', '.pptx', '.xlsx')):
        result = parser.parse(os.path.join(docs_dir, fname))
        result.save(f"parsed/{fname}.md")
        print(f"处理完成: {fname}")

输入要求：任意格式的文档文件 输出效果：干净的结构化 Markdown/JSON 适用场景：企业内部知识库、法律合同分析、财务报告处理

2. 学术论文批量解析

自动检测 PDF 中的数学公式，转换为 LaTeX 代码。表格自动转为 HTML，保留原格式。

输入要求：论文 PDF（含排版复杂的双栏、公式、图表） 输出效果：LaTeX 公式保留、表格结构化、图片分离 适用场景：论文综述写作、题库整理、教材数字化

mineru -p papers/ -o papers_output/ -b pipeline

3. 训练数据清洗流水线

扫描件自动 OCR 识别，109 种语言自动检测。语义去噪能力自动移除页眉页脚页码。

输入要求：扫描件 PDF、老旧文档 输出效果：干净的训练数据 适用场景：LLM 训练数据处理、多语言语料构建

用户群体总结

AI/ML 工程师：RAG 数据预处理，行业标准
科研人员：论文批量解析、公式提取
教育从业者：教材数字化、题库自动化
企业文档团队：合同/报告批量结构化

开源与协议

MinerU 是完全开源的项目，Apache-2.0 协议，商业使用零限制。

开源协议： Apache-2.0 GitHub 仓库： opendatalab/MinerU

完全免费开源，Apache-2.0 对商业使用零限制

总结

MinerU 是目前社区规模最大的开源文档解析工具。64k Stars 不是凭空来的——它解决了 AI 时代最基础也最头疼的问题：让机器看懂文档。

推荐指数： 五颗星

适合人群： AI 工程师、科研人员、教育从业者、企业文档团队

GitHub 仓库： opendatalab/MinerU

在线体验： mineru.net WebApp

数据截至 2026-05-21，最新信息请以官网为准。

配套媒体