PDF 转 Markdown:15 页 14 秒,公式能复制

01 起因：截图存论文，等于没存

我读论文有个坏习惯：看到有用的公式，截图；看到关键表格，截图。一年下来截图文件夹几千张，真要写东西的时候，还得一张张翻回去看，而且一个字都复制不出来。

这个痛点有三个层次，不是一回事：

下面这张图是我这次抽同一篇论文的结果，左边是 pdftotext抽出来的：公式的分子分母全散开了，表格的上标 10^19掉到了上一行。右边是这次要测的 MinerU。

所以这次我不测"能不能转"，而是测三件更要紧的事：公式能不能直接编译、表格是不是真结构、慢在哪里。

02 实测：15 页，14 秒

测试对象是一篇公开的 arXiv 论文（1706.03762，15 页，2.2 MB，双栏）。这台机器是 RTX 4060 Laptop（8 GB 显存），跑的是 standard 档：

两个数字都有前提，不然会被当成普遍结论。第一，3.9 倍不是固定值：我 10 月初在一份 18 页中文论文上测，GPU 54 秒、CPU 402 秒，差了 7.4 倍。差别在于那份文件图多、公式密，小模型（版面检测、公式识别、OCR）工作量大，而 CPU 后端卡的正是这些。文件越“花”，倍数越难看。

第二，这 14 秒不含装环境。 第一次跑要下模型——我用du -sh ~/.mineru/models 量了一下，本地缓存 2.8 GB（2026-10-23）；之后模型在本地，冷启动还要十几秒加载。也就是说：转一篇论文是 14 秒，但开一次程序是 30 秒。

输出是个单文件：图片不走 images/目录，直接 base64 内嵌。好处是拷走一个文件就是全部；坏处是 md 变 1.1 MB，某些编辑器打开会卡，也不适合直接进 Git。

03 公式：抠出来能直接编译

这是我最在意的一项，所以用了最笨的验证办法：把 md 里的公式原样复制进一个 .tex 文件，用 XeLaTeX 编译，看它出不出得来。

三条公式里，前两条（注意力、前馈网络）编译后和原论文几乎一样：分式、根号、上下标、正体函数名都在。第三条翻车了——l r a t e被拆成单个字母并排，step_num 变成了斜体变量。原因是 PDF 里那行字的字符间距被逐个记录，抽取时按"每个字符都是独立文本"理解，于是把lrate 拆成了 l r a t e。

这种错不是公式识别错，是字符层信息就长这样，只能靠后处理（把连续单字母合并）修。我这次的 10 个公式里，2 个有这类毛病，其余 8 个可用。

行内公式的保留度值得单独说：正文里 700 多处 $d_k$这种都被包成了 LaTeX。做笔记时这一点比块公式更有用——你复制一整段话，符号不会丢。

04 表格和图：结构保住了

表格是最容易"看起来对、其实错"的部分。用pdftotext -layout抽出来的表格，肉眼看着还行，但它只是空格对齐：

                         20GNMT + RL Ensemble [38]  1.8 · 10      1.1 · 1021                         19ConvS2S Ensemble [9]     7.7 · 10      1.2 · 1021

上标 10^19 掉到了上一行，3.3 · 和10^18 被拆到两处。这种文本粘进 Excel 是一堆错列。

MinerU 那边输出的是 HTML 表格，rowspan/colspan 都在：

<table><tbody><tr><td rowspan="2">Model</td><td colspan="2">BLEU</td><td colspan="2">Training Cost (FLOPs)</td></tr><tr><td>EN-DE</td><td>EN-FR</td>…

这意味着粘进 Markdown 编辑器、Typora、甚至网页里，合并单元格都还在，能直接当数据用。

三种抽法摆在一张表里看，差别就很直观（同一篇 15 页论文，本机实测）：

插图是整页裁出来的位图（公式图、架构图都在里面），清晰度跟原 PDF 一致——因为它就是原页的一部分，没做重绘。

05 装它：命令三行，坑两条

MinerU 是开源的（GitHub 8.2 万星，2026-10-23 查得），许可证是 Apache-2.0 加附加条款：商用免费，但月活超过 1 亿或月收入超过 2000 万美元要单独授权。个人和小团队不用管这条。

# 用独立的虚拟环境，别装进系统 Python（会污染 torch）python -m venv pdfenv && source pdfenv/bin/activate     # Windows: pdfenv\Scripts\activatepip install -U "mineru"                                  # 不要装 mineru[full]，见下面坑 1# 转一篇MINERU_MODEL_SOURCE=modelscope \mineru parse paper.pdf -o out --tier standard

两条 Windows 坑我都是撞过才知道：别装mineru[full]（依赖的推理引擎没有 Windows 轮子，装到一半就报错，装基础版会自动退到 llama.cpp，一样吃显卡）；模型下载源改成魔搭（默认拉 HuggingFace，国内基本卡死）。

档位也别乱换——这是我手里两台机器、两种文件类型的实测（standard 为质量档）：

口径：那组数据 2026-10-03 在另一台机器（同为 4060 Laptop 8GB）上跑同一份中文论文得到；本文第二节的 14 秒是今天这份 15 页英文论文。两组合在一起看，结论是文件越“花”（图多、扫描、公式密），CPU 与小模型的劣势越明显。

06 它错在哪：三个我遇到的

这三类错误有个共同点：都在字符层，不在语义层。所以拿它做“检索 + 粗读 + 喂给 AI”完全够用；拿它做“逐字引用”就得自己再过一遍。

再来一个实际用法，转完就可以直接检索公式了：

# 在转好的 md 里找一个符号出现在哪些论文、哪一段grep -rn '\\frac { Q K' out/*.mdgrep -rn 'softmax' out/*.md | head

07 什么时候别用

比上面的优点更值得看的是三条红线：

第二条是我在 8 GB 显存的笔记本上折腾它的最主要原因：不上传、不联网，全是本地算（本文实测机器：RTX 4060 Laptop 8 GB / Windows 11，2026-10-23）。

08 该不该用：一张表

如果你在上面打了三个以上“用”，这套东西值得花半小时装一次；如果一年读五篇，直接复制粘贴更快。

一句话总结

MinerU 的价值不是"把 PDF 转成文字"——那件事十年前就能做；而是把公式变成可编译的 LaTeX、把表格变成带结构的 HTML、把扫描件变成有文字层的文本，并且全程在你自己的硬盘上。它的错误集中在字符层（间距、断词、脚注），做检索和粗读时几乎无感，做逐字引用时得自己复核。

如果你每个月要读十篇以上的论文，这套东西值得花半小时装一次；如果一年读五篇，直接复制粘贴更快。

# 三条命令记住就够mineru parse paper.pdf -o out --tier standard    # 转一篇mineru parse papers/ -o out --tier standard      # 转一个目录open out/paper.md                                # 结果是一份 md + 内嵌图片