将 PDF 和 Office 文档一键转化为 LLM 就绪的 Markdown 与 JSON

在 GitHub 的海洋里，每天都有让人眼前一亮的新项目诞生。

MinerU

把一份排版复杂的 PDF 或 Word 文档干净地喂给大模型，常常比训练模型本身还让人头疼。页眉页脚、多栏布局、扫描件里的公式和表格，随便哪一项都能让解析结果变得支离破碎。MinerU 就是冲着这个痛点来的——它把文档解析这件事做成了一个开源的流水线，输出直接就是结构化的 Markdown 和 JSON，省去手工清洗的折腾。

这个项目的定位非常直接：一个可以把 PDF、图片、DOCX、PPTX、XLSX 转成机器可读、LLM 友好的格式的文档解析工具。它诞生于 InternLM 预训练过程中对科学文献的处理需求，因此对公式、表格、多栏阅读顺序这类学术出版里常见的问题格外上心。

从能力上看，MinerU 覆盖的文档输入类型相当全面，除了常规的 Office 和电子 PDF，还能自动检测扫描件和乱码 PDF 并启用 OCR，支持 109 种语言的文字识别。解析时它会自动去掉页眉、页脚、脚注、页码，保证内容在语义上的连贯，同时保留原文的标题、段落、列表等结构。对于公式和表格，它能分别转成 LaTeX 和 HTML 格式，图片和表格标题也能单独提取，并且附带图片描述。输出格式也很灵活，既有按照阅读顺序排序的多模态/纯文本 Markdown，也有对应的 JSON，还提供了布局可视化、span 可视化等中间产物，方便你快速检查质量。

部署上，MinerU 考虑到了不同的使用场景。它支持在纯 CPU 环境下运行，也允许用 GPU 或 Mac 的 MPS 加速，跨 Windows、Linux、Mac 三平台。使用时可以通过内置的 CLI、FastAPI 服务或 Gradio WebUI 来操作，不论是本地单机尝试还是把解析能力封装成服务，都留好了接口。

这里需要注意，项目 README 中没有给出直接的安装命令。Quick Start 部分的建议是先试用在线 Demo 评估 MinerU 在你关心的文档上的解析效果，再根据实际需求选择合适的部署方式。如果上手过程中遇到安装问题，可以先查阅项目 FAQ，或者在 Issue 里提出。

从适用场景来看，MinerU 很对你的口味如果你是：

正在做 RAG、知识库构建，需要把现成的 PDF 文档、Office 文件批量转成干净的结构化文本；
面向学术文献、技术报告做检索或抽取，对公式、表格、多栏版面的保持有要求；
需要处理多语种文档，尤其是一些小语种的扫描件。

它也有清晰的边界：在复杂布局、手写内容、严重倾斜或低质量的扫描页上，解析结果可能不尽如人意。团队也坦言项目相比商业化产品还比较年轻，遇到不理想的结果欢迎带上样本文件去提 Issue，他们会持续改进。

整体来看，MinerU 是一个在文档解析这个硬核领域里颇有诚意的开源方案。它没有把自己伪装成一个万能转换器，而是围绕“让文档内容对 LLM 直接可用”这一目标，老老实实地解决排版清洗、公式转换、表格恢复这些实际工程问题。如果你正被一堆 PDF 文献拖慢进度，不妨去它的在线 Demo 上丢几份典型文件试试，看看它能不能帮你省下那些本不该花在格式处理上的时间。

拆解AI，遇见下一个十年。