夜雨聆风上个月整理一批行业研报，三十多份PDF，双栏排版，里面全是表格和图表。
我需要把内容提出来喂给AI做分析。
先试了某付费转换网站，年费298。咬咬牙开了。转出来一看，双栏文字搅成一锅粥，表格全部错位，研报里的公式直接变成了图片。
298买了个寂寞。
后来一个粉丝说，你试试MinerU。
我试了。然后会员到期没续。
它是什么
github.com/opendatalab/MinerU
MinerU，上海人工智能实验室OpenDataLab团队开源的文档解析引擎。GitHub上7万Star，多次登顶Python Trending榜首。
它干的事用一句话说，把PDF、Word、PPT、Excel、图片、网页，转成大模型能直接读的Markdown和JSON。
你可能纳闷，转个文本而已，至于7万Star吗。
至于。
普通PDF提取工具是把文字抠出来。MinerU是真的在「理解」文档。它能识别标题层级、段落、列表、页眉页脚，按人类阅读顺序输出。双栏论文不会左右串行，跨页表格不会断掉，公式自动转成LaTeX代码。
这玩意最早是给InternLM大模型预训练处理文献用的。工业级标准，后来开放给所有人免费用。
排版还原，真的能处
我拿一份三栏排版的金融研报试过。
之前用商业工具转，正文标题搅在一起，段落顺序全乱。MinerU转完，一级标题二级标题分得清清楚楚，列表归列表，引用归引用。拿过来直接用，不用重排。
它会自动去掉页眉、页脚、脚注、页码。这个细节太重要了。你想想，一份两百页的PDF，每页都有页码和公司名称，普通工具会把这些全混进正文里。MinerU直接给你剔除干净。
单栏、双栏、三栏、复杂混排，它都能识别。竖排文字也支持。
表格和公式，看家本领
表格识别是很多PDF工具的死亡地带。MinerU恰好在这块最猛。
合并单元格、跨页表格、旋转表格，全能处理。转出来的表格是HTML或者CSV格式，机器可读，直接进数据管道。
我上个月处理一份跨了三页的财务报表，之前用别的工具，第二页的表头直接丢了，数据全错位。MinerU自动把跨页表格合并成一张完整的。
公式更不用说了。行内公式、块级公式、多行嵌套公式，转成标准LaTeX。搞科研的朋友说，光这一个功能就值回票价。虽然它本来就不要钱。
3.1版本之后还支持了图表解析和印章文字识别。连化学分子式都能认。
双引擎，老电脑也能跑
MinerU有两套解析引擎。
pipeline引擎，走传统OCR流水线，最大的好处是纯CPU就能跑。没有显卡也没事。3.4版本升级到了PP-OCRv6，官方数据OCR精度提升11%，速度提升一倍。在OmniDocBench评测上拿到86.2分。
VLM引擎，基于视觉语言模型，精度更高，能理解图表和复杂排版。适合有GPU的场景。还有个hybrid混合引擎，取两者优点，低幻觉。
支持109种语言的OCR。扫描件、乱码PDF、手写内容，它会自动检测并启用OCR。
硬件门槛不算高。内存16GB起步，建议32GB。纯CPU跑pipeline的话，显存都不需要。
怎么用
最省事的方式，直接用在线版。
mineru.net
官方网页版，功能和客户端一样。每天5000份免费额度。对个人用户来说，这个量根本用不完。注册登录就能用。
想本地部署的话，一行命令装好。
uv pip install -U "mineru[all]"然后 mineru -p 输入文件 -o 输出目录，搞定。支持Windows、Linux、macOS。也有Docker部署和桌面客户端。
搞开发的朋友注意，它有MCP Server，能直接接进Cursor、Claude Desktop、Windsurf这些AI编程工具。还原生对接LangChain、Dify、FastGPT、RAGFlow。做RAG知识库的话，基本是开箱即用。
协议方面，从之前的AGPLv3换成了基于Apache 2.0的自定义开源协议，对商用友好多了。
缺点，说清楚
手写体识别还是有翻车的时候。官方自己也承认，复杂布局、扫描页、手写内容，解析结果可能不如预期。印刷体没问题，潦草手写别抱太高期待。
本地部署有门槛。要下载模型，磁盘至少留20GB，推荐SSD。第一次装环境，不熟悉Python的人可能会卡在依赖问题上。
高精度模式吃硬件。VLM引擎要跑满精度，需要像样的GPU。effort=high模式速度慢，你得在速度和精度之间自己权衡。
还有几个平台限制。Windows上不支持Python 3.13，macOS要14.0以上，Docker部署不支持macOS。
另外它毕竟还年轻。官方原话说「与知名商业产品相比，MinerU仍然年轻」。个别边角场景的稳定性，跟老牌商业方案比还有差距。
怎么选
偶尔转几份PDF → 直接用 mineru.net 在线版，每天5000份免费额度
做RAG知识库 → 本地部署，接Dify或FastGPT，结构化输出直接入库
老电脑没有显卡 → pipeline引擎，纯CPU跑，命令行加
-b pipeline论文公式多 → VLM引擎开
effort=high，LaTeX转换一步到位接AI编程工具 → 装MCP Server，Cursor里直接解析文档
7万Star真不是白来的。我用了三个月，三十多份研报、十几本扫描版电子书、一堆带公式的论文，全靠它处理。以前298的年费，现在省了。
反正PDF转格式这件事，我再也回不去那些按页收费的网站了。