夜雨聆风GitHub 上的 MinerU 项目已获得超过七万个星标，专为解决 PDF 转 Markdown 时排版混乱的问题而设计。只需将 PDF、扫描件、Word、PPT 或 Excel 文件上传到 MinerU，它就能一键转换成结构清晰的 Markdown、JSON 或 HTML 格式。经过实测，MinerU 能较好地保留原文的层次结构，公式和表格的识别率也非常高。
该项目完全开源免费，适合新手按照文档操作使用，也适合需要批量处理大量论文、合同或报告的专业用户。传送门地址为：https://github.com/opendatalab/MinerU/tree/master。
MinerU 是由上海人工智能实验室旗下的 OpenDataLab 团队开发的一款高精度内容提取工具。它基于 PDF-Extract-Kit 模型，支持从多种格式文件中提取结构化、高质量的内容，包括文本、公式、表格和图片，并能输出为 Markdown、JSON、HTML、LaTeX 和 DOCX 等格式。
虽然市面上已有许多 PDF 转换工具，但大多只能应对排版简单、文字清晰的文档。而面对论文中的复杂公式、多栏排版、扫描件或嵌套表格时，这些工具往往难以直接使用，还需要手动整理。MinerU 在这些方面表现尤为出色。
在公式识别方面，MinerU 能自动将行内和行间公式转成标准 LaTeX 代码，即使是复杂的多行、多层嵌套公式，也能尽可能完整地保留下来，为科研人员节省大量时间。对于双栏或多栏排版的文档，它会先分析页面布局，再按正常阅读顺序提取内容，从而避免文字混乱，比许多传统工具更胜一筹。
此外，MinerU 内置了 OCR 功能，可以识别扫描件中的文字，非常适合处理合同、老书、发票或档案照片等图片型 PDF，只要图片清晰，就能还原出相对干净的文本内容。它还能高效识别复杂表格，包括合并单元格、多行表头、嵌套结构以及跨页长表，对于财务报表和统计报告等场景非常友好。
在输出方面，MinerU 不仅可以保持原有层级关系，还能识别标题、正文段落、列表、脚注等元素，将结构完整保留，为后续建立知识库提供坚实基础。同时，它支持处理几千页甚至上万页的大型文档，通过滑动窗口技术实现无缝解析，无需手动拆分。此外，批量处理功能也十分强大，只需指定文件夹，即可一次性转换大量文档。
最令人欣喜的是，MinerU 完全可以在本地部署，不依赖云端服务，有效保障数据隐私安全。用户可以在自己的电脑或服务器上安装运行，也可以选择使用其提供的在线版本（API需付费）。相关资源可以在官网获取：https://mineru.net/OpenSourceTools/Extractor。
对于开发者而言，可以通过以下步骤在本地部署 MinerU：首先安装 Python 3.11，并确保添加到环境变量中；然后创建虚拟环境，以避免依赖冲突；接着通过 pip 安装 MinerU 及相关依赖包，如果使用国内镜像会更快；最后，用命令行运行转换指令即可完成 PDF 文件的解析。例如，将名为“论文.pdf”的文件转换成输出到“output”文件夹，只需执行命令：mineru -p "论文.pdf" -o "output"。转换完成后，即可在输出目录中找到对应的 Markdown 文件和相关资源。
如果你经常处理学术论文、合同或者财报资料，又希望提高效率，不妨试试 MinerU。这款工具有望帮你节省大量整理时间，让繁琐的数据变得井然有序，只需几分钟甚至几秒钟，就能把复杂资料变成结构清晰的内容，大大提升工作效率。