一键将PDF、Word、PPT转成AI能读懂的结构化文本——MinerU：大模型时代的文档理解引擎

你是否曾为让大模型“看懂”一份带图表、表格、页眉页脚的PDF报告而反复调试提示词？是否在构建RAG知识库时，被扫描版PDF识别不准、Office文档格式错乱、多级标题丢失等问题卡住数小时？MinerU正是为此而生——它不是简单的OCR工具，而是一个专为AI工作流深度优化的智能文档解析器，能把复杂排版的PDF、Word（.docx）、Excel（.xlsx）、PPT（.pptx）等文件，自动还原逻辑结构，精准提取文字、表格、图像、公式与层级关系，输出为干净、语义清晰、可直接喂给大模型的Markdown或JSON格式。

核心功能

• 高精度版面分析：内置自研Layout模型，准确识别标题、正文、图注、表格、页眉页脚、侧边栏等区域，不依赖传统规则，对学术论文、财报、技术手册等复杂排版鲁棒性强
• 多格式原生支持：无需手动转换，直接解析PDF（含扫描件+OCR）、.docx、.xlsx、.pptx，甚至支持双栏、多栏、嵌套表格等“反人类”排版
• 结构化内容提取：不仅提取文字，还能保留层级标题（H1-H3）、段落归属、表格行列结构、图片位置及描述，输出严格遵循语义逻辑的Markdown/JSON
• LLM友好输出设计：生成结果自动添加章节锚点、表格转Markdown语法、数学公式保留LaTeX格式，开箱即用于RAG检索、Agent记忆构建或微调数据准备
• 轻量易集成：提供简洁Python API与命令行工具，支持批量处理、自定义输出字段、保留原始坐标信息供二次开发，非黑盒，可调试、可扩展
• 中文场景深度优化：针对中英文混排、简体繁体兼容、中文OCR增强、PDF字体缺失等本土常见问题专项调优，实测在中文技术文档、政策文件、医疗报告上效果领先

适合哪些人用

如果你是以下角色，MinerU将极大提升你的AI工程效率：RAG应用开发者——告别杂乱PDF导致的检索漂移；大模型Agent工程师——让Agent真正“读懂”用户上传的合同、说明书或研究报告；科研工作者与数据分析师——快速将上百篇论文PDF转化为结构化知识图谱输入；企业知识库建设者——自动化清洗内部文档，统一注入向量数据库；低代码AI平台搭建者——作为后台文档预处理模块，为终端用户提供“上传即可用”的智能问答体验。

快速上手

只需两步即可开始使用：

1. 安装：运行 pip install mineru（支持Python 3.9+，自动安装PyTorch/CUDA环境）
2. 一行代码解析：例如处理PDF：mineru --input report.pdf --output result.md --format markdown；也可通过Python API调用：from mineru import parse; result = parse("report.pdf", output_format="json")

官方提供在线Web Demo（mineru.net），无需配置即可上传测试；完整文档、示例数据集及Docker部署指南均在GitHub仓库中开源。

项目信息

编程语言：Python｜GitHub Star 数：70,446｜开源协议：未明确声明（NOASSERTION）｜GitHub 项目地址

这不是又一个“能跑就行”的文档工具，而是由OpenDataLab团队打磨出的、已在真实AI产品中日均处理百万页文档的工业级解析引擎——当你需要让大模型真正理解人类文档的“意义”，而非仅仅看到“字符”，MinerU就是那个沉默却可靠的翻译官。