opendatalab/MinerU

项目概览

提供 pipeline、hybrid、vlm 和 http-client 四种解析后端，支持纯 CPU 或不同程度的 GPU 加速及远程推理。

项目类型

RAG 与知识库 · 文档处理 · 数据处理

应用场景

文档办公 · 知识问答

部署方式

查看项目说明

License

License 待确认

适合谁

• 需要将复杂排版 PDF 和 Office 文档转化为结构化 Markdown/JSON 以供 RAG 流水线使用的开发者与数据团队。

核心能力

• 支持将 PDF、图片、DOCX、PPTX 和 XLSX 格式的文档作为输入进行格式转换。
• 处理单栏、多栏及复杂排版文档，识别并去除页眉、页脚、脚注和页码，以符合人类阅读顺序的方式输出文本。
• 自动识别文档中的公式并转换为 LaTeX 格式，同时将表格内容转换为 HTML 格式。
• 自动检测扫描版和乱码 PDF 文件，支持 109 种语言的文本检测与识别。
• 从文档中提取图片、图片描述、表格、表格标题及其脚注。
• 提供命令行工具 (CLI)、FastAPI 接口和 Gradio WebUI，用于本地任务编排和多服务部署。
• 在输出结果中保留原始文档的结构，包括标题、段落和列表等元素。

限制与风险

• 文档解析是困难且复杂的任务，在复杂排版、扫描页面和手写内容等场景下，解析结果可能不符合预期。
• Docker 部署方式仅支持 Linux 和具备 WSL2 支持的 Windows 环境，macOS 用户无法使用 Docker 方式部署。
• 在非主线环境中，由于软硬件配置多样性和第三方依赖兼容性问题，无法保证项目 100% 可用。
• 关键依赖 ray 不支持 Windows 环境下的 Python 3.13，当前仅支持 3.10 至 3.12 版本。

如何开始

• 具有一定命令行使用经验的用户，可通过更新 pip、安装 uv 包管理器、安装 mineru[all] 并执行 mineru -p <input_path> -o <output_path> 命令完成首次解析体验。
• 由于关键依赖 ray 不支持 Windows 上的 Python 3.13，Windows 用户需使用 Python 3.10 至 3.12 版本。

替代方案与同类比较

• infiniflow/ragflow 提供基于深度文档理解的复杂格式知识提取功能，并支持异构数据源兼容以构建 RAG 工作流。
• paddlepaddle/paddleocr 提供包含 PaddleOCR-VL 模型在内的文档解析能力，可将 PDF 和图片转换为 Markdown 或 JSON。
• opendataloader-project/opendataloader-pdf 提供带有边界框的确定性 PDF 数据提取，并支持自动标签修复以实现 PDF 无障碍合规。

同类比较

• opendatalab/MinerU vs 深度文档理解与 RAG 引擎
• opendatalab/MinerU vs 视觉语言模型文档解析
• opendatalab/MinerU vs 高精度 PDF 数据提取与无障碍标签

核验依据

• GitHub 项目简介: Transforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.
• README: MinerU is a document parsing tool that converts `PDF`, image, `DOCX`, `PPTX`, and `XLSX` inputs into machine-readable formats such as Markdown and JSON for downstream retrieval, e…
• README: 2026/06/18 3.4 Released
• README: The OCR model for the `pipeline` backend has been upgraded to `PP-OCRv6`, improving OCR accuracy by about `11%` on OmniDocBench v1.6.
• README: VLM model upgraded to `MinerU2.5-Pro-2605-1.2B`

来源更新时间：2026-07-16T18:04:18Z

打开原始 GitHub 项目