企业官网建设流程全解析

MinerU 多语言 OCR 实操指南：37 种语言识别从原理到避坑

【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerU

最近收到一份俄语合同，需要把文字提取出来做入库检索。用 MinerU 处理这类场景很方便：2.1.0 版本起，它的 pipeline 后端集成了 PP-OCRv5（百度开源的 OCR 模型，v5 为第五代）多语种文本识别模型，支持法语、西班牙语、俄语、韩语等 37 种语言文字识别，官方给出的平均精度涨幅超过 30%。也就是说，MinerU 多语言 PDF 文字提取不再只是"中文专用"，一份外文扫描件同样可以跑出结构化的 Markdown。

这个能力是什么：指定语言，选对识别模型

先说清楚原理，不用记术语：OCR 分两步，先找出图片里哪里有文字，再把每个文字区域读出来。第二步靠的是"识别模型"，不同语系的字符（西里尔字母、天城体字母、阿拉伯字母）差异很大，用错模型识别率会明显下降。

MinerU 的做法是：你通过lang参数告诉它文档语言，它就加载对应的识别模型，并沿用统一的文本检测模型。所以"多语言"不是靠一个模型硬扛 37 种语言，而是按语系分派专用模型，这也是为什么指定语言能提升准确率。需要注意一点：语言参数只对 pipeline 后端生效，这也是 MinerU 的默认后端，常规使用不用额外切换。

支持哪些语言：37 种语言按语系对照表

下面是完整支持列表，按语系分组。"语言代码"就是命令行里要填的值：

常用语言代码速查：中文/日文/繁体选ch，韩语选korean，俄语选east_slavic，阿拉伯语选arabic，印地语选devanagari。参数完整说明可查 官方 CLI 文档，语言支持范围定义在 mineru/utils/ocr_language.py。

怎么用：语言自动检测与手动指定的最小示例

MinerU 没有单独的"auto"开关，它的默认行为就是自动按ch处理（覆盖中英日繁混合场景）。所以中文为主的文档，不传语言参数即可：

from mineru.cli.client import mineru_cli # 或命令行：mineru -p contract_ru.pdf -o output/

更直接的命令行写法（默认语言，省略--lang）：

mineru -p foreign_contract.pdf -o output/

处理明确的外文文档时，手动指定语言即可切换识别模型：

mineru -p foreign_contract.pdf -o output/ --lang east_slavic

混合语言文档怎么选：

• 文档含中、英、日、繁任意组合：保持默认ch即可，这是最常见的"多语言混合"情况。
• 主语言 + 英文：选主语言对应的代码。上表里各语系模型基本都内置英文识别能力（如east_slavic同时覆盖俄语和英文），不需要再单独处理英文。
• 无法归入单一语系的复杂混排：先用默认跑一遍，对识别差的那部分单独用对应语言代码再跑一次，最后合并结果。

怎么跑得更快更稳：3 个可直接上手的调优点

1. 能确定语言就显式指定--lang，比默认模型少走弯路，识别质量更稳；
2. 批量处理小文档（单份少于 10 页）时，2.1.0 已优化了 pipeline 后处理速度，建议一次传多份文件走批量；
3. 扫描件尽量达到 300 DPI 左右再送解析，低分辨率图片对任何识别模型都是硬伤。

避坑指南：3 个最容易碰到的问题

• 识别明显不对：多半是语言没选对。用--lang显式指定文档主语言重跑，这是 MinerU 语言切换最直接的方式，也是多语言文档 OCR 识别失败时的第一排查项。
• 日文混繁体、或手写文档识别差：这类场景可显式选--lang ch_server，它对应 PP-OCRv5 服务端识别模型，对手写和特殊字符更友好（见 版本更新日志 1.3.12 节的说明）。
• --lang传了却没效果：确认后端是 pipeline（默认值），该参数仅对 pipeline 后端生效。

适用场景一句话

处理外文合同、海外论文、多语言手册这类"PDF 里文字提不出来"的文档，MinerU 2.1.0 的多语言 OCR 值得放进你的工具链试试。

本文基于 MinerU 2.1.0 版本编写。

【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerU