MinerU 应用详细介绍

一、项目简介

MinerU 是一款由 OpenDataLab 开发的高精度文档解析引擎，专为 LLM（大语言模型）、RAG（检索增强生成）及 Agent 工作流设计。它能够将 PDF、图片、DOCX、PPTX、XLSX 以及网页等多种格式的文档，高效转换为结构化的 Markdown 或 JSON 格式，支持 109 种语言的 OCR 识别，并采用 VLM（视觉语言模型）+ OCR 双引擎架构，提供卓越的解析精度。

二、核心解析能力

1. 多格式原生支持：MinerU 原生支持解析 DOCX、PPTX、XLSX 等 Office 文档，无需先转换为 PDF 再进行解析，端到端速度提升数十倍，特别适合对精度和吞吐量均有高要求的场景。

2. 复杂内容识别：支持将文档中的公式转换为 LaTeX 格式，表格转换为 HTML 格式，并实现精准的版面重构。对于扫描件、手写内容、多栏布局、跨页表格合并等复杂场景均有出色表现。

3. 智能预处理：自动去除页眉、页脚、脚注、页码等干扰信息，确保语义连贯性。输出内容遵循人类阅读顺序，支持单栏、多栏及复杂布局。

4. 多模态输出：支持多种输出格式，包括多模态 Markdown、NLP 风格的 Markdown、按阅读顺序排序的 JSON 以及丰富的中间格式，满足不同下游任务的需求。

三、系统架构与部署

MinerU 提供了三种推理后端，用户可根据实际需求灵活选择：

pipeline 后端：运行稳定，无幻觉问题，支持 CPU 或 GPU 运行，资源占用极低，在 OmniDocBench 基准测试中得分高达 86.2。

vlm-engine 后端：精度极高，支持 vLLM、LMDeploy、mlx 等推理框架生态，适合对精度要求极高的场景。

hybrid-engine 后端：高精度与原生文本提取相结合，低幻觉，兼顾速度与准确性。

在部署方面，MinerU 支持纯 CPU 环境、GPU/MPS 加速，兼容 Windows、Linux 和 Mac 平台。同时提供 Docker 部署方案，帮助用户快速搭建环境。新增的 mineru-router 组件支持统一入口部署和多服务、多 GPU 的任务路由，实现自动负载均衡，便于构建高并发、高吞吐的解析系统。

四、集成与生态

MinerU 拥有丰富的集成方式，可轻松嵌入各类工作流：

AI 编码工具：支持 MCP Server，可集成至 Cursor、Claude Desktop、Windsurf 等工具。

RAG 框架：原生集成 LangChain、LlamaIndex、RAGFlow、Dify、FastGPT 等主流框架。

开发方式：提供 Python、Go、TypeScript SDK，以及 CLI、REST API、Docker 等多种接入方式。

无代码使用：可通过 mineru.net 在线版、Gradio WebUI 或桌面客户端直接使用，无需任何开发。

五、性能与优化

MinerU 在 3.0.0 版本后完成了线程安全优化，全面支持多线程并发推理。针对长文档场景，通过滑动窗口机制和流式写入磁盘的优化，显著降低了峰值内存占用，使得数万页的超长文档解析不再需要手动拆分。同时，MinerU 已完全移除对 AGPLv3 和 CC-BY-NC-SA 4.0 协议模型的依赖，进一步降低了商用部署的门槛。

六、版本更新亮点

3.1.0 版本：许可证升级为基于 Apache 2.0 的 MinerU 开源许可证，大幅降低社区和商用集成门槛。VLM 主模型升级至 MinerU2.5-Pro-2604-1.2B，支持图像和图表解析、截断段落合并、跨页表格合并等能力。新增 PPTX 和 XLSX 的原生解析支持，完成主流文档格式的全覆盖。

3.0.0 版本：正式支持原生 DOCX 解析，端到端速度提升数十倍。pipeline 后端在 OmniDocBench 上达到 86.2 分，超越上一代 VLM 模型。新增 API/CLI/Router 编排升级，支持异步任务端点，便于构建高并发解析系统。

七、典型应用场景

LLM 预训练数据准备：MinerU 诞生于 InternLM 的预训练过程，专注于解决科学文献中的符号转换问题，为大规模模型训练提供高质量的结构化数据。

RAG 系统知识库构建：将企业文档、技术手册、学术论文等转换为机器可读的 Markdown/JSON 格式，构建高效的检索增强生成知识库。

Agent 工作流数据输入：为 AI Agent 提供结构化的文档理解结果，支持后续的自动化决策、信息提取和任务编排。

多语言文档处理：支持 109 种语言的 OCR 检测与识别，适用于跨国企业的全球化文档处理需求。

八、社区与支持

MinerU 在 GitHub 上拥有超过 63,000 颗星标，社区活跃。用户可通过 Discord、微信社区与其他开发者和用户交流。项目提供了详细的 FAQ、DeepWiki AI 助手以及完整的文档网站，帮助用户快速解决问题。如果遇到解析效果不理想的情况，欢迎在 GitHub 提交 Issue 并附上相关文档样本，开发团队将持续改进解析能力。