目录一、MinerU介绍1主要功能2核心技术3应用场景二、MinerU如何使用1在线使用2在线 API3私有化部署Magic‑PDF适合涉密数据MinerU 是专注于高效解析和提取复杂的PDF 文档、网页和电子书并将其转换为易于分析的Markdown 或 JSON 格式 的工具是大模型知识库、学术文档处理的前置预处理利器。由上海人工智能实验室OpenDataLab团队开发。地址如下MinerU | 面向 Agent 和 RAG 的智能文档解析平台https://mineru.net/一、MinerU介绍1主要功能• PDF 转Markdown 支持多模态PDF含图片、表格、公式等的结构化转换。 自动去除页眉、页脚、脚注等干扰信息保留标题、段落、列表等结构。 公式识别并转换为LaTeX 格式表格转换为Html 或Markdown。• 网页内容提取从网页中剔除广告等干扰信息精准提取正文、评论、视频文字等内容。• 电子书转换支持epub、mobi、docx、pptx、chm、azw等格式批量转Markdown。• 多语言OCR自动检测扫描版PDF 和乱码支持84 种语言的OCR 识别2核心技术MinerU 不是单一大模型是多模型 Pipeline 协同工作。• 布局检测基于LayoutLMv3微调识别文本、表格、图片等区域。• 公式识别使用YOLOv8检测公式UniMERNet模型转换LaTeX。• OCR 增强采用PaddleOCR提高文本识别准确率。3应用场景• 大模型训练为书生·浦语等模型提供高质量语料。• 学术研究提取论文、教材中的关键信息。• 法律与金融解析合同、研报等结构化数据。运行环境兼容 Windows / Linux / MacCPU、GPU 均可运行CPU 可以跑但是解析速度慢GPU 环境会大幅提升处理效率。二、MinerU如何使用1在线使用上传文件后稍等文档解析完成后点击右上角的下载按钮可以将转换完成的内容下载下来输出两种核心格式的区别Markdown精简文本适合直接输入大模型做问答、RAG 检索JSON携带页面坐标、布局等完整元信息信息量大适合二次开发、深度数据分析。这是下载的md格式的内容图片被提取出来占位了MinerU 本身不理解图片内容图片后续需要交给 Qwen‑VL 这类多模态模型二次解析。表格被转换成HTML格式了这是由于HTML对合并单元格、复杂表格兼容性优于原生 Markdown 表格。2在线 API1.申请Token这个Token申请免费但是有一些限制文档里面还给了一些代码的示例和参数的讲解。MinerU 文档解析接口文档 可以把代码拿出来跑一跑。如下返回字段中的zip包就是文件解析结果⚠️注意涉密、企业内部敏感文档不建议使用云端 API数据会上传到平台。3私有化部署Magic‑PDF适合涉密数据Step1安装magic-pdfpip install -U magic-pdf[full]Step2下载依赖的modelspython download_models.py使用modelscope快速下载各种modelsStep3推理pdfmagic-pdf -p 三国演义.pdf -o ./output大家可以动手来部署推理一下。