MinerU：把PDF变成小程序能用的结构化数据

把杂乱的PDF，变成程序能读的数据，是知识库开发的第一步。
上一期我们说，做小程序先认识三个工具。今天讲第一个：MinerU。
很多人没听过它，但做知识库类小程序，它是最容易被忽略、却最关键的一步。
为什么需要MinerU？
做行业知识库，第一步永远是：资料太乱。
官方规范、编码手册、DRG分组文件，几乎全是PDF。有的是扫描件、有的多栏排版、有的带页眉页脚、有的表格跨页。普通复制粘贴——乱码、错位、缺表格、丢公式，完全没法用。
我一开始手动整理，几百页文件，光是复制粘贴就要花几周，还经常出错。直到用了MinerU，这个问题才真正解决。
MinerU是什么？
MinerU是上海AI实验室书生浦语团队开源的文档解析工具，专门干一件事：把杂乱的PDF/扫描件，一键变成干净的结构化数据。
它的核心能力：
智能识别图文、表格、公式、多栏版式；自动去除页眉、页脚、水印；输出标准的Markdown或JSON格式，可直接用于小程序检索、展示、数据库导入。
简单说：没有MinerU，海量资料只是"文件"；有了MinerU，资料才能变成小程序能用的"数据"。
在我的ICD项目里怎么用？
整个项目的原始资料，全部经过MinerU处理：
ICD-10/ICD-9编码手册 → 结构化编码列表；DRG分组规则文件 → 层级分明的规则库；CC/MCC并发症判定表 → 可查询的对照数据；临床技术规范PDF → 可检索的正文内容。
几百页文件，上传后自动解析，几分钟就能拿到干净数据。原本几周的工作量，压缩到几小时。
零基础怎么上手？
MinerU有网页版，不用装环境、不用写代码。上传PDF，选择输出格式（Markdown或JSON），点击解析，下载结果就行。
解析完建议人工抽查几页，确认表格和公式没有错位，再进入下一步数据清洗。
记住：数据质量决定小程序质量。源头解析做好了，后面省一半功夫。
本文为作者个人开发经验分享。MinerU为上海AI实验室书生浦语团队开源文档解析工具，具体功能与使用方式以官方最新说明为准。文中项目数据处理量、效率提升为项目个案，不构成通用结论。