MinerU

一句话简介

MinerU是由上海人工智能实验室OpenDataLab团队开源的高精度文档解析与智能数据提取工具。

网站介绍

MinerU是一款专注于将复杂非结构化文档转化为机器可读结构化数据的智能提取工具。它能够将包含图片、公式、表格、脚注等多模态内容的PDF文档，以及复杂排版的网页和电子书，精准转换为Markdown、JSON、LaTeX等格式。

该工具由上海人工智能实验室（上海AI实验室）大模型数据基座OpenDataLab团队研发并开源，诞生于书生·浦语大模型的预训练语料准备过程中，具备工业级的解析精度与工程可用性。

MinerU主要面向AI研究员、大模型与RAG应用开发者、数据科学家、科研人员，以及需要处理大量学术文献、财务报告、法律合同等专业文档的企业知识管理人员。

核心功能

1. PDF高精度转换：支持将单栏、多栏及复杂排版的PDF文档精准转化为Markdown、JSON、LaTeX、HTML等多种格式，保留原始文档的层级结构与阅读顺序。

2. 智能布局与版面检测：自动识别文档中的标题、正文、图片、表格、脚注等元素，智能剔除页眉、页脚、页码、水印等非正文干扰内容，确保语义连贯。

3. 公式与表格精准识别：内置自研公式识别模型，支持行内与行间数学公式并转换为LaTeX格式；智能提取复杂表格（含合并单元格、旋转表格），输出结构化数据。

4. 网页与电子书提取：通过Magic-Doc模块，从包含广告、弹窗的网页或EPUB、MOBI等格式电子书中快速抓取主体正文，实现结构化清洗。

5. 多语言OCR与乱码处理：支持84种以上语言的光学字符识别，自动检测并转换扫描版PDF和乱码PDF，保障文本提取的准确性。

6. 批量处理与多格式支持：支持PDF、Word、PPT、图片等多种输入格式，提供高效的批量处理能力，满足大规模数据提取需求。

推荐优势

1. 工业级解析精度：在多项权威文档解析评测中达到SOTA（当前最佳）性能，能够无幻觉地还原复杂文档结构，尤其擅长处理学术论文和财务报告。

2. 开源免费与灵活部署：基于优化的Apache 2.0协议开源，允许中小企业直接商用。支持在线API、桌面客户端、本地Python部署、Docker及CLI命令行等多种使用方式。

3. 深度适配AI生态：原生支持MCP协议，可无缝对接Dify、Notion等主流Agent框架与知识库平台，是大模型预训练和RAG系统构建的理想数据基座。

4. 国产化硬件兼容：除了支持NVIDIA GPU和Apple Silicon，还全面适配昇腾、寒武纪、摩尔线程、昆仑芯等10余种国产计算平台，满足信创环境部署需求。

使用方法与入口指引

1. 在线网页版：访问MinerU官网（mineru.net），注册账号后即可在网页端直接上传PDF或图片进行解析，支持一键下载多种格式结果，适合临时或轻量级需求。

2. 桌面客户端：在官网下载MinerU App（支持Windows/Mac/Linux），安装后通过图形界面拖拽文件即可处理，无需编程基础，适合普通办公用户。

3. 本地部署与CLI：开发者可通过GitHub仓库获取开源代码，使用pip安装核心组件，并通过命令行进行本地离线解析，确保数据隐私与内网安全。

4. API集成调用：在官网申请API Token，配置Base URL后，可通过Python SDK或REST API将MinerU集成到企业现有的数据处理流水线或第三方插件中。

同类/相关网站推荐

1. Marker：一款高效的开源PDF转Markdown工具，专注于快速提取文档内容并清理格式，适合大规模文本处理。

2. Nougat：由Meta开源的学术PDF解析工具，专为科学文献设计，擅长将包含复杂数学公式的PDF转换为Markdown和LaTeX。

3. Mathpix：业界知名的专业公式和文档识别API服务，提供高精度的数学公式、化学方程式及表格的结构化提取。

4. Unstructured：专注于非结构化数据提取与处理的开源平台，支持多种文档格式的解析，常用于构建大模型应用的数据预处理管道。

5. DocTR：一款开源的文档文本识别（OCR）工具，基于深度学习模型，支持多语言文档的高精度文本提取与版面分析。