一、前言：为什么 PDF 解析是 AI 应用的"最后一公里"难题？

在大模型（LLM）与 RAG（检索增强生成）爆发的时代，如何把非结构化文档喂给 AI 已经成为工程落地的核心瓶颈。一个企业知识库里可能有成千上万份 PDF——学术论文、财务报告、产品手册、法律合同——这些文档中混杂着多栏排版、LaTeX 公式、复杂表格、嵌套图片、印章水印……

传统方案（PyMuPDF、pdfplumber、PDFMiner）在面对这类复杂 PDF 时，往往只能提取出乱序的文本流，公式变成乱码，表格结构全部丢失。

MinerU 的出现，正是为了彻底解决这个痛点。

MinerU 是由上海人工智能实验室 OpenDataLab 团队开发的开源高精度文档解析引擎，将非结构化文档（PDF、图片、Office 文件等）转换为机器可读的 Markdown 和 JSON，专为 LLM 预训练、RAG 和 Agent 工作流场景设计。

截至 2025 年，MinerU 在 GitHub 上已获得数万 Star，成为文档解析领域最受关注的开源项目之一。本文将从功能特性、安装配置、Python SDK 实战、性能评测四个维度，带你全面了解这款工具。

---

二、MinerU 核心功能一览

2.1 功能矩阵

MinerU 提供全面的文档解析能力，主要功能包括：

功能模块	支持能力	备注
版面分析	多栏排版、阅读顺序恢复	保留非正文元素（页眉页脚等）
文字识别	中英文 OCR、竖排文字	印章文字识别
公式识别	LaTeX 格式输出	行内/行间公式，含序号识别，准确率 92.5%
表格解析	旋转表格、无边框/半边框表格	表格内图片/公式解析
图片提取	自动提取并关联上下文	支持图片描述生成
输出格式	Markdown、JSON、PDF	结构化输出，LLM 友好
多端部署	本地 CLI、Python SDK、在线 API、Docker、桌面客户端	全场景覆盖

2.2 最新版本亮点（MinerU 2.x）

最新版本重点强化了以下能力：

• ✅ 突破性公式解析：支持复杂长数学公式，准确识别中英文混合方程式
• ✅ 增强表格鲁棒性：轻松处理旋转表格、无边框表格、跨页表格
• ✅ 印章文字识别：专门针对中国文档中的圆形印章
• ✅ 竖排文本支持：兼容日文、古汉语等竖排排版
• ✅ 极低资源占用：在保持高精度的同时，大幅降低内存与算力消耗

---

三、安装与环境配置

3.1 环境要求

操作系统：Windows / Linux / macOS  
Python：3.10 ~ 3.13  
GPU（可选）：8GB+ 显存（有 GPU 解析速度可提升 3~5x）  

3.2 标准安装（推荐）

# 升级 pip  
pip install --upgrade pip  

# 安装 uv（更快的包管理器）  
pip install uv  

# 使用 pip 安装 MinerU  
pip install mineru  

或使用国内镜像加速：

pip install mineru -i https://mirrors.aliyun.com/pypi/simple  

3.3 首次初始化（下载模型）

安装完成后，需要下载模型权重。执行以下命令，MinerU 会自动下载并配置 magic-pdf.json：

# 自动下载所有模型（含 OCR、公式、表格模型）  
mineru-download-models  

⚠️ 模型下载完成后，会在用户目录生成 ~/magic-pdf.json 配置文件，可通过 MINERU_TOOLS_CONFIG_JSON 环境变量指定自定义路径。

3.4 命令行快速体验

安装完成后，最快的方式是使用 CLI：

# 解析单个 PDF，输出到 output 目录  
mineru -p your_document.pdf -o ./output  

# 启用 OCR 模式（适合扫描版 PDF）  
mineru -p your_document.pdf -o ./output --method ocr  

# 关闭公式识别（加速处理纯文字文档）  
mineru -p your_document.pdf -o ./output --formula false  

---

四、Python SDK 完整实战

4.1 最简单的调用方式（新版 API）

MinerU 2.x 提供了极简的高层 API：

import mineru  

# 方式一：直接调用顶层接口  
result = mineru.parse("your_document.pdf")  

# 输出 Markdown 内容  
print(result.markdown)  

# 输出 JSON 结构  
import json  
print(json.dumps(result.to_dict(), ensure_ascii=False, indent=2))  

4.2 基于 magic_pdf 的底层调用（精细控制）

对于需要精细控制解析过程的场景，可以使用 magic_pdf 核心库：

import os  
import json  
from pathlib import Path  
from loguru import logger  

from magic_pdf.data.data_reader_writer import FileBasedDataWriter, FileBasedDataReader  
from magic_pdf.data.dataset import PymuDocDataset  
from magic_pdf.model.doc_analyze_by_custom_model import doc_analyze  
from magic_pdf.config.enums import SupportedPdfParseMethod  

def parse_pdf_to_markdown(pdf_path: str, output_dir: str) -> str:  
    """  
    将 PDF 解析为 Markdown 格式  
    
    Args:  
        pdf_path: PDF 文件路径  
        output_dir: 输出目录  
    
    Returns:  
        Markdown 字符串  
    """  
    # 创建输出目录  
    pdf_name = Path(pdf_path).stem  
    output_path = os.path.join(output_dir, pdf_name)  
    os.makedirs(output_path, exist_ok=True)  
    
    # 图片输出子目录  
    image_dir = os.path.join(output_path, "images")  
    os.makedirs(image_dir, exist_ok=True)  

    # 初始化读写器  
    writer = FileBasedDataWriter(output_path)  
    image_writer = FileBasedDataWriter(image_dir)  
    reader = FileBasedDataReader("")  

    # 读取 PDF 字节流  
    pdf_bytes = reader.read(pdf_path)  

    # 构建数据集对象  
    ds = PymuDocDataset(pdf_bytes)  

    # 执行文档分析（自动选择 OCR 或文字层解析）  
    infer_result = doc_analyze(ds, ocr=True)  

    # 选择解析方法（AUTO / TXT / OCR）  
    pipe_result = infer_result.pipe_ocr_mode(image_writer)  

    # 导出 Markdown  
    md_content = pipe_result.get_markdown(image_dir)  
    
    # 保存 Markdown 文件  
    md_path = os.path.join(output_path, f"{pdf_name}.md")  
    with open(md_path, "w", encoding="utf-8") as f:  
        f.write(md_content)  

    # 导出 JSON（含完整结构信息）  
    content_list = pipe_result.get_content_list(image_dir)  
    json_path = os.path.join(output_path, f"{pdf_name}_content.json")  
    with open(json_path, "w", encoding="utf-8") as f:  
        json.dump(content_list, f, ensure_ascii=False, indent=2)  

    logger.info(f"解析完成！Markdown: {md_path}")  
    return md_content  

if __name__ == "__main__":  
    md = parse_pdf_to_markdown("paper.pdf", "./output")  
    print(md[:2000])  # 打印前 2000 字符预览  

4.3 批量处理多个 PDF

import os  
import glob  
from concurrent.futures import ThreadPoolExecutor, as_completed  
import mineru  

def batch_parse(input_dir: str, output_dir: str, max_workers: int = 4):  
    """  
    批量解析目录下所有 PDF  
    
    Args:  
        input_dir: 输入目录  
        output_dir: 输出目录  
        max_workers: 并发线程数  
    """  
    pdf_files = glob.glob(os.path.join(input_dir, "**/*.pdf"), recursive=True)  
    print(f"共发现 {len(pdf_files)} 个 PDF 文件，开始批量解析...")  

    results = {}  
    failed = []  

    def parse_single(pdf_path):  
        try:  
            result = mineru.parse(pdf_path)  
            return pdf_path, result.markdown, None  
        except Exception as e:  
            return pdf_path, None, str(e)  

    with ThreadPoolExecutor(max_workers=max_workers) as executor:  
        futures = {executor.submit(parse_single, f): f for f in pdf_files}  
        for future in as_completed(futures):  
            pdf_path, markdown, error = future.result()  
            filename = os.path.basename(pdf_path)  
            if error:  
                print(f"❌ 失败：{filename} | 错误：{error}")  
                failed.append(pdf_path)  
            else:  
                print(f"✅ 成功：{filename} | 字符数：{len(markdown)}")  
                # 保存结果  
                out_path = os.path.join(output_dir, filename.replace(".pdf", ".md"))  
                with open(out_path, "w", encoding="utf-8") as f:  
                    f.write(markdown)  
                results[pdf_path] = markdown  

    print(f"\n完成！成功：{len(results)} 个，失败：{len(failed)} 个")  
    return results  

# 调用示例  
batch_parse("./pdfs", "./output", max_workers=2)  

4.4 与 LangChain / RAG 集成

MinerU 官方提供了 langchain-mineru 集成包，可以直接嵌入 LangChain 管道：

from langchain_mineru import MinerULoader  
from langchain.text_splitter import RecursiveCharacterTextSplitter  
from langchain_openai import OpenAIEmbeddings  
from langchain_community.vectorstores import FAISS  

# 1. 使用 MinerU 加载并解析 PDF  
loader = MinerULoader("research_paper.pdf")  
documents = loader.load()  

print(f"成功加载 {len(documents)} 个文档块")  
print(f"首块内容预览:\n{documents[0].page_content[:500]}")  

# 2. 文本分块  
splitter = RecursiveCharacterTextSplitter(  
    chunk_size=512,  
    chunk_overlap=50  
)  
chunks = splitter.split_documents(documents)  
print(f"分块后共 {len(chunks)} 个片段")  

# 3. 构建向量库  
embeddings = OpenAIEmbeddings()  
vectorstore = FAISS.from_documents(chunks, embeddings)  

# 4. 相似度检索  
query = "这篇论文的核心贡献是什么？"  
relevant_docs = vectorstore.similarity_search(query, k=3)  
for i, doc in enumerate(relevant_docs):  
    print(f"\n--- 相关片段 {i+1} ---")  
    print(doc.page_content)  

---

五、性能评测：MinerU 在 OmniDocBench 上的表现

5.1 评测基准介绍

OmniDocBench 是目前最权威的 PDF 文档解析评测基准，由 OpenDataLab 团队在 CVPR 2025 发布。它涵盖：

• 📄 9 种文档类型：学术论文、教材、PPT、试卷、财务报告等
• 📊 评测维度：文字识别、公式识别、表格解析、版面分析
• 📐 评测指标：Edit Distance、BLEU、TEDS（表格）、CDM（公式）

5.2 MinerU 综合评测得分

MinerU2.5-Pro 在 OmniDocBench v1.6 上取得了 SOTA（当前最优） 成绩：

模型/工具	OmniDocBench 综合得分	文字识别（英文 NED）	公式识别（CDM）	开源
MinerU2.5-Pro	95.69	0.061	高精度	✅
MinerU2.5 (baseline)	92.98	0.092	高精度	✅
Mathpix	~88	较好	优秀	❌（商业）
Docling	~82	一般	较弱	✅
Marker	~80	一般	较弱	✅
LlamaParse Agentic	84.88	较好	较好	❌（商业）

📌 关键数据：MinerU2.5-Pro 通过将训练数据从不足 1000 万样本扩展至 6550 万样本，在不修改任何模型架构的前提下，综合得分提升 2.71 分，超越所有现有方法（含商业工具）。

5.3 文字识别详细对比

根据 EulerAI 的深度评测报告，在 OmniDocBench 文字识别子任务上：

指标	MinerU	Docling	Marker	Unstructured
英文 NED（↓越低越好）	0.061	0.142	0.118	0.203
中文 NED（↓越低越好）	0.215	0.389	0.312	0.467
排名	🥇 第一	第三	第二	第四

MinerU 在英文和中文文字识别上均排名第一。

5.4 速度与资源消耗横向对比

基于社区实测数据（20 页学术 PDF，RTX 3090 环境）：

工具	平均耗时	GPU 显存占用	CPU 模式
MinerU（GPU）	8.3s	~6GB	支持（慢 3-5x）
Docling	12.1s	~4GB	支持
Marker	9.8s	~5GB	支持
LlamaParse	~5s（API）	N/A（云端）	N/A

⚠️ 注：速度数据来自社区基准测试，实际结果因文档复杂度和硬件环境存在差异。

---

六、典型使用场景与最佳实践

6.1 场景一：学术论文批量转换（RAG 预处理）

import mineru  
import os  

def papers_to_rag_corpus(paper_dir: str, output_file: str):  
    """将目录下所有论文 PDF 转为 RAG 语料库"""  
    corpus = []  
    for pdf in os.listdir(paper_dir):  
        if not pdf.endswith(".pdf"):  
            continue  
        try:  
            result = mineru.parse(os.path.join(paper_dir, pdf))  
            corpus.append({  
                "source": pdf,  
                "content": result.markdown,  
                "metadata": {  
                    "chars": len(result.markdown),  
                    "pages": result.page_count  
                }  
            })  
            print(f"✅ {pdf}: {result.page_count} 页，{len(result.markdown)} 字符")  
        except Exception as e:  
            print(f"❌ {pdf}: {e}")  
    
    import json  
    with open(output_file, "w", encoding="utf-8") as f:  
        json.dump(corpus, f, ensure_ascii=False, indent=2)  
    
    print(f"\n共处理 {len(corpus)} 篇论文 → {output_file}")  
    return corpus  

6.2 场景二：财务报告关键信息提取

import mineru  
import re  

def extract_financial_tables(pdf_path: str) -> list:  
    """从财务报告 PDF 中提取所有表格"""  
    result = mineru.parse(pdf_path)  
    
    # MinerU 输出的 Markdown 中，表格以标准 Markdown 表格格式呈现  
    # 使用正则提取所有表格块  
    table_pattern = r'(\|.+\|[\r\n]+(?:\|[-:| ]+\|[\r\n]+)(?:\|.+\|[\r\n]*)+)'  
    tables = re.findall(table_pattern, result.markdown)  
    
    print(f"共发现 {len(tables)} 个表格")  
    for i, table in enumerate(tables):  
        print(f"\n=== 表格 {i+1} ===")  
        print(table[:300])  # 预览前 300 字符  
    
    return tables  

tables = extract_financial_tables("annual_report_2024.pdf")  

6.3 场景三：数学论文公式提取

import mineru  
import re  

def extract_formulas(pdf_path: str) -> dict:  
    """提取 PDF 中的所有 LaTeX 公式"""  
    result = mineru.parse(pdf_path)  
    markdown = result.markdown  
    
    # 提取行间公式（
$$ ... $$

）  
    block_formulas = re.findall(r'\$\$(.*?)\$\$', markdown, re.DOTALL)  
    
    # 提取行内公式（$...$）  
    inline_formulas = re.findall(r'(?<!\$)\$(?!\$)(.*?)(?<!\$)\$(?!\$)', markdown)  
    
    print(f"行间公式：{len(block_formulas)} 个")  
    print(f"行内公式：{len(inline_formulas)} 个")  
    
    # 打印前 5 个行间公式  
    for i, formula in enumerate(block_formulas[:5]):  
        print(f"\n公式 {i+1}:\n
$$ {formula.strip()} $$

")  
    
    return {  
        "block_formulas": block_formulas,  
        "inline_formulas": inline_formulas  
    }  

formulas = extract_formulas("math_paper.pdf")  

---

七、与竞品的综合对比

7.1 MinerU vs 主流方案对比表

维度	MinerU	Docling	Marker	LlamaParse	PyMuPDF
开源免费	✅	✅	✅	❌（收费）	✅
公式识别（LaTeX）	✅ 优秀	⚠️ 较弱	⚠️ 较弱	✅ 较好	❌
复杂表格	✅ 优秀	✅ 较好	⚠️ 一般	✅ 优秀	❌
中文支持	✅ 原生	⚠️ 有限	⚠️ 有限	✅ 支持	⚠️ 基础
OmniDocBench 得分	95.69	~82	~80	84.88	N/A
本地部署	✅	✅	✅	❌	✅
Python SDK	✅	✅	✅	✅	✅
MCP 协议支持	✅	❌	❌	❌	❌
LangChain 集成	✅ 官方	✅	❌	✅ 官方	⚠️ 社区

7.2 选型建议

📌 优先选择 MinerU，当你需要：  
  ✅ 处理含大量公式的学术论文  
  ✅ 解析中文复杂排版文档  
  ✅ 构建企业私有化 RAG 系统（不能用云端 API）  
  ✅ 需要高精度表格识别  
  ✅ 预算有限，必须开源免费  

📌 考虑其他方案，当你需要：  
  → 极致处理速度、对精度要求不高 → Marker  
  → 极简集成 LlamaIndex → LlamaParse  
  → 仅做基础文字提取 → PyMuPDF  

---

八、常见问题与解决方案

Q1：解析速度很慢怎么办？

# 确认是否在使用 CPU 模式，建议切换到 GPU  
# 检查设备配置  
python -c "import torch; print(torch.cuda.is_available())"  

# 若无 GPU，可关闭公式和表格识别来加速  
mineru -p doc.pdf -o output --formula false --table false  

Q2：中文乱码或识别错误？

# 确保使用最新版本（2.x 对中文支持大幅改善）  
pip install --upgrade mineru  

# 对扫描版中文 PDF，显式启用 OCR 模式  
result = mineru.parse("chinese_doc.pdf", method="ocr")  

Q3：表格无法正确识别？

# 确认 table 功能已开启（默认开启）  
result = mineru.parse("doc.pdf", table=True)  

# 查看 JSON 输出中的表格结构  
for block in result.to_dict()["content"]:  
    if block["type"] == "table":  
        print(block["table_body"])  

---

九、总结

MinerU 已经从一个实验性工具成长为工业级文档解析引擎。在 OmniDocBench v1.6 上以 95.69 分的 SOTA 成绩证明了自身实力，在中英文文字识别上均排名第一，同时完全开源、支持本地部署、拥有完整的 Python SDK 与 LangChain 集成生态。

核心优势总结

🏆 领先优势	📊 量化数据
综合解析精度	OmniDocBench 95.69 分，全球 SOTA
英文文字识别	NED 仅 0.061，排名第一
公式识别准确率	92.5%，支持 LaTeX 输出
训练数据规模	6550 万样本，持续迭代
开源协议	Apache 2.0，商用友好

如果你正在构建 RAG 系统、LLM 训练语料管道、或者只是需要一个靠谱的 PDF 转 Markdown 工具，MinerU 是目前开源领域毫无疑问的首选。

---

📎 项目地址：https://github.com/opendatalab/MinerU

📎 在线体验：https://mineru.net

📎 技术报告：https://arxiv.org/abs/2604.04771

如果本文对你有帮助，欢迎点赞收藏！有任何问题欢迎在评论区留言交流 🙌