PDF、Word 一键变 Markdown:开源解析引擎 MinerU

做 RAG 或知识库的人，多半被第一关卡过：你想把公司几百页 PDF、一堆 Word 方案喂给模型，结果表格丢了、公式碎成乱码、页眉页脚混进正文，模型读到的顺序更是东拼西凑。问题往往不在模型，在于"喂进去的文档"没被解析干净。

MinerU 干的事，就是把这步做扎实。它是个开源文档解析引擎，把这些复杂格式转成结构化的 Markdown / JSON，让 LLM 能按人类阅读顺序读懂。仓库 2024 年开源，现在已经约 7.4 万 Star、6200 多 Fork，昨天都还在提交，是这类项目里少有的大体量且高活跃的一个。

它到底能解析什么

输入面很宽：PDF、图片、DOCX、PPTX、XLSX，甚至网页链接。输出不只是纯文本，而是：

自动剥掉页眉、页脚、页码，按正确的阅读顺序排版，单栏双栏都认；

保留标题、段落、列表层级；

把图片、表格（转成 HTML）、公式（转成 LaTeX）单独抽出来。

打个比方：很多解析器像把整本书扔进碎纸机再拼接，顺序和图表都乱；MinerU 更像请了个细心的排版编辑，先把版面看清，再按"人怎么读"的顺序整理出来。

最值得说的一点：两套引擎

MinerU 给了三种后端，核心是两个思路：

pipeline（OCR 路线）：快、稳、几乎不幻觉，纯 CPU 也能跑。适合量大、对速度敏感的批量活。实测在 OmniDocBench v1.6 上 E2E 约 86.2 分。

vlm / hybrid（视觉语言模型路线）：精度更高，hybrid high 能到 95.39 分，对复杂版面、扫描件更稳；代价是要更多算力。

中间还有个 medium 模式：省资源，但不带图片分析，需要图片理解得切到 high。

一行命令就能跑：

mineru -p <input_path> -o <output_path>      # GPU 环境
mineru -p <input_path> -o <output_path> -b pipeline   # 纯 CPU

不止命令行

它还自带 FastAPI 接口、Gradio 网页界面，能直接拖文件上去看效果。更顺手的是，它原生提供了 MCP 服务器，能接进 Claude Code 这类 Agent 工作流；也和 LangChain、LlamaIndex、Dify、FastGPT 打通。对想做"文档自动入库"的人，等于省掉自己写解析服务的功夫。

顺带一提，它背后是上海 AI Lab 的 OpenDataLab，最早是在 InternLM 大模型预训练里为了解决科学文献的符号转换问题长出来的，现在还支持昇腾、寒武纪等 10 多种国产 AI 芯片——这点对信创环境的人挺实在。

上手门槛

最常规是 uv 装 Python 包：

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

装完 mineru -p 文件 -o 输出目录就能用。不想装环境，也有在线 Demo 可以先试。

对硬件：纯 CPU 能跑 pipeline；想上 GPU 精度或 vlm 路线，最好有块显卡（Volta 及以上或 Apple Silicon）。内存建议 32GB 起，磁盘留 20GB 以上。

要如实说的几点

许可证有坑，做产品的人先看清楚。它从 3.1.0 起把 AGPLv3 换成了自定的 "MinerU Open Source License"（基于 Apache 2.0），个人和非商业用基本没障碍，但商业使用有附加条件。要做商业化产品，先去读一遍许可证原文，别默认当成纯 Apache 免费。

Docker 不支持 macOS，只推荐 Linux 和带 WSL2 的 Windows。Mac 用户直接走 Python 包更省事。

Windows 只支持 Python 3.10–3.12，因为底层 ray 还没跟上 3.13，装错版本会踩坑。

解析不是万能的。复杂版面、扫描页、手写内容仍可能翻车，建议在意质量前先跑在线 Demo 验一下。引擎分数（86.2 / 95.39）也只在官方声明的评测环境下成立，别直接当成你文档上的表现。

最后

如果你正被"文档进 RAG 就乱"这个问题烦，MinerU 值得当首选试一下。它把公式、表格、版面顺序这几件最头疼的事都接住了，还顺手给了 MCP 和国内芯片支持。先把协议看清，再决定怎么用，就稳了。

觉得有用就收藏，转给也在搭知识库、做 RAG 的同事。你做文档解析现在用的是什么，是自己写脚本还是已经有趁手的工具？评论区聊聊。

关注我，带你了解更多有用的AI工具。

把微信文章、YouTube 一键变成 NotebookLM 播客，这个技能能办

3.4 万 Star 的 AI agent 项目合集，到底能当什么用

终端也能接 AI？这个 macOS 工具把助手嵌进了命令行

自己生成的 AI 图带水印？这个工具一键清掉标和元数据