企业官网建设流程全解析

MinerU 实操指南：把 PDF 里的公式和表格变成可编辑 Markdown

【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

MinerU 是一款开源文档解析工具，可以把 PDF、图片以及 DOCX、PPTX、XLSX 等 Office 文件解析成 Markdown 和 JSON。它把公式输出为 LaTeX、表格输出为 HTML，自动去除页眉页脚与页码，并按人类阅读顺序重排文本；同时提供可跑纯 CPU 的 pipeline 后端和需 GPU 加速的 hybrid/vlm 后端，适合给 RAG 和 LLM 管线清洗文档数据。

核心能力拆解

公式变 LaTeX，表格变 HTML

解析后，公式在 Markdown 中以$...$或$$...$$形式出现，表格则以 HTML<table>标签呈现。你可以打开输出目录里的full.md，搜索\frac或<td>，有命中就说明对应能力生效了。

多栏排版不串文

双栏论文会被按"读完左栏再读右栏"的顺序输出，段落不会跨栏跳行。下面这张图来自官方仓库的版面解析示例，高亮区域是被识别为独立公式块的区域：

从安装到第一次产出

环境要求

Python 3.10–3.13，支持 Linux、Windows、macOS。默认的 hybrid-engine 后端需要 Volta 及以后架构的 GPU 或 Apple Silicon，显存最低 8GB、内存 16GB 起；纯 CPU 机器改用 pipeline 后端即可。

一条命令安装

pip install uv uv pip install -U "mineru[all]"

首次运行会自动下载模型。若访问不了 HuggingFace，先设置环境变量MINERU_MODEL_SOURCE=modelscope切换到国内镜像源。

跑一条命令

mineru -p your_document.pdf -o output

-p也可以传目录，里面的 PDF、图片和 Office 文件会被批量解析。

看到输出

output下会为每个文件生成独立文件夹，其中full.md是主要产物，另附 images 图片目录与 layout/span 可视化目录，方便直接核对解析质量。

进阶用法与部署选型

# 只解析第 0-9 页，切到本地 VLM 后端换更高精度 mineru -p large.pdf -o output -b vlm-engine -s 0 -e 9

选型建议：日常用默认的 hybrid-engine（medium effort）精度与速度均衡；追求精度时追加--effort high；没有 GPU 就直接-b pipeline，不必下载 VLM 模型。

常见卡点与排查

• 现象：首次运行长时间卡在下载或下载失败。原因：默认模型源 HuggingFace 不可达。修复：export MINERU_MODEL_SOURCE=modelscope
• 现象：CPU 机器上默认后端报错或极慢。原因：hybrid-engine 依赖 GPU（显存 8GB 起）。修复：mineru -p in.pdf -o out -b pipeline
• 现象：结果看着不对，但不知道错在哪。原因：没做可视化质检。修复：打开输出目录里的 span 可视化图逐页对照原图，确认误识别与漏识别：

下一步

官方文档站有模型源配置、Docker 部署以及 Dify、FastGPT、LangChain 等插件接入的详细说明。解析结果不及预期时，建议在 issue 里附上样例文档，方便维护者复现问题。

【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