MinerU:将复杂文档转化为高质量AI友好数据的神器!

AI这两年改变了很多人的工作方式。

越来越多的公司开始搭内部知识库，把合同、报告、手册全部喂给AI，让AI帮忙检索、分析、回答问题。

但很快就撞上了一个现实问题。

这些文档，大多是PDF、扫描件、Word、PPT，这些格式天生是给人看的，不是给机器读的。

直接丢给AI，双栏排版的文字会串行，表格里的数字会挤成一坨，扫描件复制出来干脆是乱码。

读到的是这种东西，什么工具也没法干活。

所以在文档喂给AI之前，需要先做一步，把它转成机器真正能读懂的格式。

MinerU（mineru.net）无疑是这块效果最好的工具之一。

MinerU是什么？

MinerU是一个免费开源的文档解析工具，把PDF、图片、Word、PPT、Excel转换成markdown或JSON，可以直接商用。

大部分工具转出来的是一坨纯文字，结构全没了。

MinerU不一样，转出来的内容标题还是标题，段落还是段落，表格变成HTML，公式变成LaTeX，图片和图片说明单独提取出来。

多栏排版会按人真正阅读的顺序重新排列，页眉页脚页码全部自动剔除，不会出现在正文里。

这才是AI真正能用的数据，而不是一堆乱糟糟的字符。

更让人兴奋的是，普通电脑CPU就能跑，在OmniDocBench公开测试里。

纯CPU版本的得分超过了上一代需要用大模型才能达到的精度。

有显卡的话精度还能更上一层！

MinerU还自带OCR，识别109种语言，扫描件糊成一片也能处理。

这个开源项目更新也很快，最近一次OCR升级识别准确率涨了一成多，处理速度直接翻倍。

那具体怎么用呢？

一共四种方式，按自己情况选。

网页版：打开官网 mineru.net，注册登录，上传文档直接用。

功能最完整，界面最好用，适合大多数人。

桌面客户端：去官网下载安装包，双击安装，跟装普通软件一样。

装完打开就能用，功能和网页版完全一样，适合经常用、不想每次开浏览器的人。

在线Demo：不想注册账号，去ModelScope或Hugging Face搜MinerU，找到Demo页面直接上传文档试用。

不用登录，适合先看看效果再决定要不要正式用。

命令行：适合想批量处理大量文档，或者把MinerU接进自己系统的人。

打开电脑终端，输入这两行完成安装：

pip install uv

uv pip install -U “mineru[all]”

安装完成后，用这行命令解析文档：

mineru -p 输入文件路径 -o 输出文件夹路径

电脑没有独立显卡，在命令最后加上 -b pipeline，切换到纯CPU模式运行。

有显卡默认走高精度模式，效果更好。