MinerU功能介绍

如何把PDF文档干净利落地转成Markdown或JSON格式？市场上工具不少，但面对加上了页眉页脚、多分栏、甚至是扫描版PDF，很多工具要么乱序要么丢内容。这里介绍的MinerU，核心能力就是搞定这些复杂排版——它能把PDF“拆”得整整齐齐，输出机器可读的格式，后续你想怎么用都行。

核心功能一览

MinerU能做的事情，远不止简单的文字提取。它首先会主动删掉页眉、页脚、脚注、页码这些干扰项，确保输出的文本语义连贯，不会出现“本文发表于……第3页”这种断裂。更重要的是，它按人类阅读顺序重组内容——单栏、双栏、甚至更花哨的排版，结果都能保持逻辑流畅。原始文档的结构（标题、段落、列表等）完整保留，图像、表格、公式也全部拎出来：图片单独提取，表格转成HTML，公式自动识别为LaTeX格式。对于扫描版PDF或那些存着乱码的PDF，它会自动切换OCR模式。另外，环境要求很低——纯CPU也能跑，当然你有CUDA、NPU、MPS也能用上加速。

步骤一：介绍与快速上手

先上官网：https://mineru.net/ 获取基本信息。工具本质是一个Python库，安装后可以通过命令行、API或WebUI三种方式调用。

• 删除页眉、页脚、脚注、页码等元素，确保语义连贯
• 输出符合人类阅读顺序的文本，适用于单栏、多栏以及复杂排版
• 保留源文档的结构，包括标题、段落、列表等
• 提取图像、图片描述、表格、表格标题及脚注
• 自动识别并转换文档中的公式为LaTeX格式
• 自动识别并转换文档中的表格为HTML格式
• 自动检测扫描版PDF和乱码PDF，并启用OCR功能
• 支持纯CPU环境运行，并支持GPU(CUDA)/NPU(CANN)/MPS加速
• ……

步骤二：安装

两种主流方式，任选其一。

方式一：pip或uv安装

pip install --upgrade pip -i https://mirrors.aliyun.com/pypi/simple
pip install uv -i https://mirrors.aliyun.com/pypi/simple
uv pip install -U "mineru[core]" -i https://mirrors.aliyun.com/pypi/simple

方式二：源码安装

git clone https://github.com/opendatalab/MinerU.git
cd MinerU
uv pip install -e .[core] -i https://mirrors.aliyun.com/pypi/simple

步骤三：使用

MinerU支持命令行、API和WebUI三种方式，满足从单次测试到集成到系统的不同需求。

① 命令行方式调用

mineru -p  -o 

简单直接，指定输入输出路径即可。

② API方式调用

适用于需要嵌入到自己项目里的场景。具体接口细节参考官方文档，这里给一个Python版本的单个文件解析示例：

import requests


token = "官网申请的api token"
url = "https://mineru.net/api/v4/extract/task"
header = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {token}"
}
data = {
    "url": "https://cdn-mineru.openxlab.org.cn/demo/example.pdf",
    "model_version": "vlm"
}


res = requests.post(url,headers=header,json=data)
print(res.status_code)
print(res.json())
print(res.json()["data"])

语言为Python，正好和DeepSeek接口文档里用的示例语言一致。

看到这里，是不是想起了Dify的脚本节点——默认支持的就是Python和Node.js？MinerU正好和这两个生态有不错的集成：它原生支持Dify和Ragflow，对于需要本地部署的小企业来说，这套组合能快速完成AI应用的需求开发。