【GitHub趋势】MinerU:PDF/Office 转 LLM 结构化 Markdown 引擎

项目简介

MinerU 是上海人工智能实验室 OpenDataLab 团队开源的高精度文档解析引擎，可将 PDF、图片以及 DOCX、PPTX、XLSX 等输入转化为 Markdown、JSON 等机器可读格式，面向 RAG、Agent 工作流与大模型数据预训练场景。项目诞生于书生·浦语（InternLM）预训练过程中的文献符号转化需求，持续聚焦科技文献中的复杂版面、公式与表格识别难题。

相比「先转 PDF 再解析」的传统路径，MinerU 对 Office 格式提供原生解析能力，在精度与吞吐上更具优势；同时提供 CLI、FastAPI、Gradio WebUI、mineru-router 等多种调用形态，并支持纯 CPU 与 GPU/NPU/MPS 加速部署，兼容 Windows、Linux 与 macOS。项目采用基于 Apache 2.0 的 MinerU 开源许可证（含附加条款），降低了社区与商业场景的集成门槛。

核心特性

• 多格式原生解析：支持 PDF、图片、DOCX、PPTX、XLSX 及网页输入，输出按人类阅读顺序排列的 Markdown 或 JSON，自动去除页眉、页脚、脚注与页码。
• VLM + OCR 双引擎：提供 pipeline、vlm-engine、hybrid-engine 等推理后端，公式转 LaTeX、表格转 HTML，支持扫描件、手写体、多栏排版与跨页表格合并；OCR 覆盖 109 种语言。
• 生态集成完善：内置 MCP Server，可与 Cursor、Claude Desktop 等 AI 编码工具对接；原生支持 LangChain、Dify、FastGPT、RAGFlow 等 RAG 框架，并提供 Python / Go / TypeScript SDK 与 REST API。
• 企业级部署能力：mineru-router 支持多 GPU 任务路由与负载均衡；3.0 起引入异步任务 API 与滑动窗口机制，可稳定处理超长文档；适配 10 余种国产 AI 芯片，支持完全离线私有化部署。
• 持续快速迭代：2026 年 6 月发布 3.4 版本，pipeline 后端 OCR 模型升级至 PP-OCRv6，OmniDocBench v1.6 准确率提升约 11%，OCR 处理速度翻倍，并优化模型下载与本地缓存复用体验。

快速开始

推荐使用 uv 安装完整功能包，一条命令即可完成环境准备：

pip install --upgrade pip
pip install uv
uv pip install -U "mineru[all]"

若需从源码安装或参与开发，可克隆仓库后本地 editable 安装：

git clone https://github.com/opendatalab/MinerU.git
cd MinerU
uv pip install -e .[all]

安装完成后，用 CLI 解析单个 PDF 或 Office 文件，将结果写入指定输出目录：

# GPU 加速（默认 vlm-engine 后端）
mineru -p paper.pdf -o output/

# 纯 CPU 环境
mineru -p paper.pdf -o output/ -b pipeline

# 原生解析 Word 文档（无需先转 PDF）
mineru -p report.docx -o output/

也可启动 Gradio WebUI 在浏览器中可视化验证解析效果，或通过 FastAPI 与 mineru-router 搭建高并发批量解析服务。首次部署建议先用小样本文档跑通，再进入生产批处理；详细参数与 Docker 部署说明见官方使用指南^[2]。

为什么火了

大模型应用爆发以来，「文档能不能被模型正确读懂」成了 RAG 与 Agent 落地的第一道门槛：表格变乱码、公式丢失、多栏错位、扫描件空白——这些问题直接决定知识库质量。MinerU 以 VLM + OCR 双引擎在 OmniDocBench 等基准上取得领先表现，并把 PDF、Office、图片统一输出为结构化 Markdown/JSON，恰好踩中了「LLM 就绪数据管道」这一刚需。

另一方面，项目近一年迭代极为密集：许可证从 AGPLv3 调整为更友好的 MinerU Open Source License，3.x 系列陆续补齐 DOCX/PPTX/XLSX 原生解析、MCP 集成、多 GPU 路由与国产算力适配，同时提供 mineru.net 在线版、桌面客户端与 API 等多种产品形态，降低了从试用到生产的切换成本。在 Agent 工具链与 MCP 生态快速扩张的当下，一个「开箱即用、可私有部署、精度够硬」的文档解析底座，自然成为开发者社区持续关注和传播的对象。

引用链接