夜雨聆风刷 GitHub Trending 的时候看到 MinerU 又挂在榜上，+380 stars。
MinerU，72k star，PDF 转 LLM 可用格式的解析工具。
GitHub：https://github.com/opendatalab/MinerU
做 RAG 或者给 LLM 喂数据的人都有这个经验：PDF 里的内容直接复制出来格式全乱，表格对不齐、公式变乱码、多栏排版串行。拿这种数据去建知识库，检索效果可想而知。
MinerU 解决的就是这个问题——把 PDF、图片、Office 文档转成 LLM 能直接吃的 Markdown 和 JSON。
1
可以干什么
你丢给它一个文件，它返回结构化的 Markdown 或 JSON。保留原始文档的标题层级、段落顺序、表格结构、公式 LaTeX、图片位置。页眉页脚页码自动去掉。
支持的文件格式：
PDF（包括扫描件、手写体） DOCX / PPTX / XLSX（原生解析，不需要先转 PDF） 图片（JPG / PNG 等） 网页
输出格式：
Markdown（适合 LLM 直接读） JSON（适合程序处理） HTML（表格格式保留）
核心就一句话：喂进去乱七八糟的文档，吐出来 LLM 能读的结构化数据。
2
三种解析后端
MinerU 提供了三层解析方案，按硬件条件选：
pipeline 后端 — 纯 CPU 也能跑，精度 86.47，最低 4GB 显存。不需要 GPU，不需要大模型。适合普通文档、批量处理、没有 GPU 的环境。
hybrid 后端 — VLM 模型 + pipeline 混合解析，精度 95.39，需要 8GB 显存。分两档：medium（默认，速度快 35%~220%）和 high（最高精度）。适合精度要求高的场景。
vlm 后端 — 纯 VLM 模型解析，精度 95.30，需要 8GB 显存。适合复杂版面、扫描件。
三种后端可以通过 -b 参数切换，同一个文件可以换不同后端试效果。
3
如何安装配置
pip install uvuv pip install -U ”mineru[all]”
一行命令解析文件：
# 有 GPU 自动用最优后端mineru -p 合同.pdf -o ./output# 纯 CPU 环境指定 pipelinemineru -p 合同.pdf -o ./output -b pipeline
也支持 Docker 部署：
docker pull opendatalab/mineru:latestdocker run --rm -v $(pwd):/workspace opendatalab/mineru mineru -p /workspace/input.pdf -o /workspace/output
4
接入方式
直接在线体验
不用装任何东西，打开网页就能试：
mineru.net — 官方在线版，功能完整，需登录 HuggingFace / ModelScope — Gradio 在线 demo，无需登录
MCP 服务器
MinerU 提供 MCP Server，Cursor、Claude Desktop、Windsurf 可以直接调用来解析文档。
RAG 框架集成
原生对接 LangChain、LlamaIndex、Dify、FastGPT、RAGFlow 等主流框架。在 RAG pipeline 里把 MinerU 当文档解析器用，不用自己写 PDF 解析逻辑。
API / CLI / WebUI
三种使用方式全覆盖：
mineruCLI — 命令行解析 mineru-api— FastAPI 服务，支持同步和异步任务 mineru-router— 多 GPU 负载均衡路由
5
局限
❶高精度后端需要 GPU。
纯 CPU 能跑但精度只有 86，要 95+ 的精度得上 GPU（8GB 显存起）。不是全场景都能零成本跑。
❷复杂版式仍然不是 100%。
手写体、极复杂排版、加密 PDF 这些边角场景还是有翻车概率。项目 README 里标注的 hybrid 后端 95.39 分是 OmniDocBench v1.6 评测集上的分数，评测集覆盖的文档类型有限，不代表所有真实文档都能达到这个精度。
如果你在搭 RAG 知识库或者给 LLM 喂文档，可以先拿 MinerU 的在线 demo 试一下自己的文件效果。输入的质量高一点的话使用时效果会好很多。
关注我，每天解锁一个用得上的小项目。