MinerU - 高精度文档解析引擎，为 LLM / RAG / Agent 提供结构化数据

MinerU 是 OpenDataLab 开源的一款高精度文档解析引擎，能把 PDF、DOCX、PPTX、XLSX、图片和网页转换成结构化的 Markdown 或 JSON，方便下游 LLM、RAG 和 Agent 工作流直接消费。

What｜是什么

MinerU 的定位是“为 LLM 准备数据”的文档解析基础设施。它支持多种输入格式，输出则强调人类阅读顺序和语义结构：

  • 输入：PDF、图片、DOCX、PPTX、XLSX、网页
  • 输出：Markdown、JSON（按阅读顺序）、多模态 Markdown，以及可可视化的中间格式
  • 核心能力：自动去除页眉页脚页码、识别多栏与复杂版式、提取表格/图片/公式、公式转 LaTeX、表格转 HTML、OCR 识别 109 种语言
  • 提供 CLI、FastAPI、Gradio WebUI、Docker 和 mineru-router 等多种使用形态

Why｜为什么值得关注

MinerU 诞生于 InternLM 预训练过程中的实际需求，最初是为了解决科技文献中的符号转换问题。相比直接购买商业文档解析服务，它的几个亮点很突出：

  • VLM + OCR 双引擎：pipeline 后端快且省资源，vlm-engine / hybrid-engine 后端精度更高，可按场景选择
  • 全格式原生解析：3.0 以后陆续加入 DOCX、PPTX、XLSX 原生解析，避免先转 PDF 再解析带来的信息损失
  • 许可更友好：从 AGPLv3 切换到基于 Apache 2.0 的 MinerU Open Source License，降低了商业部署门槛
  • 数据说话：pipeline 后端在 OmniDocBench v1.6 上整体得分 86.47，hybrid 后端可达 95.39（high 模式）

Who｜谁在维护

项目由 OpenDataLab（上海人工智能实验室相关团队）维护，核心团队来自 InternLM 数据生产链路。GitHub 仓库活跃度高，更新频繁，社区通过 Discord、微信和 GitHub Issues 反馈问题。官方还提供了在线演示（mineru.net）和 Gradio Demo，方便用户先体验再部署。

When｜时间线

  • 2024 年：项目首次在 arXiv 发布论文《MinerU: An Open-source Solution for Precise Document Content Extraction》
  • 2026/03：3.0.0 发布，新增 DOCX 原生解析、API/CLI/Router 编排升级、去掉 AGPL 模型依赖
  • 2026/04：3.1.0 发布，许可升级、VLM 主模型升级、补齐 PPTX/XLSX 原生解析
  • 2026/06：3.4 发布，OCR 模型升级到 PP-OCRv6，OCR 处理速度提升约 100%

Where｜技术栈与生态

MinerU 主要基于 Python 构建，兼容 Windows、Linux 和 macOS，支持纯 CPU 或 GPU/MPS 加速：

  • 后端选择：pipeline（兼容好、可 CPU）、vlm-engine（高精度、需 GPU）、hybrid-engine（高精度 + 原生文本提取）
  • 推理框架：支持 vLLM、LMDeploy、mlx 等生态
  • 芯片适配：兼容 Ascend、Cambricon、Enflame、MetaX、Moore Threads、Kunlunxin 等 10 余家国产 AI 芯片
  • 集成生态：提供 MCP Server，可直接接入 Cursor / Claude Desktop / Windsurf；也原生支持 LangChain、LlamaIndex、RAGFlow、Dify、FastGPT、Flowise 等 RAG 框架

How｜如何工作

MinerU 的解析流程可以简单理解为“版式分析 → 内容识别 → 结构化输出”：

  1. 通过版面分析模型识别文档中的段落、标题、列表、表格、图片、公式等区域
  2. 对扫描件、手写内容、乱码 PDF 自动启用 OCR；对清晰文本直接抽取
  3. 按人类阅读顺序重新组织块级内容，并输出成 Markdown / JSON / HTML 等格式
  4. hybrid-engine 还会引入 VLM 对复杂版面、跨页表格、图表等进行更高精度的理解

How much｜成本与门槛

  • 许可证：MinerU Open Source License，基于 Apache 2.0，商业使用比原 AGPLv3 更友好
  • 安装：uv pip install -U "mineru[all]" 即可；也支持源码安装和 Docker
  • 硬件门槛：
    • pipeline 后端：最低 16GB 内存、20GB 磁盘，纯 CPU 可跑
    • hybrid / vlm 后端：最低 8GB 显存、16GB 内存
  • Python 版本：3.10–3.13（Windows 因 ray 限制最高 3.12）

如果你正在为 RAG 知识库、Agent 工具链或大模型预训练准备文档数据，MinerU 是一个值得关注的开源解析方案。

相关文章