MinerU：69 k 星的开源文档解析引擎

一句话结论：MinerU 能把任何 PDF、Word、PPT、Excel 和图片转成干净的 Markdown 和 JSON，是 RAG 和 LLM 数据预处理的最佳开源方案之一。

项目信息

它解决什么问题

RAG 系统最大的痛点是什么？垃圾输入 = 垃圾输出。PDF 里的表格、公式、多栏排版、扫描件手写体——传统工具要么解析成一团乱码，要么丢失关键信息。

MinerU 专为 LLM 和 RAG 场景设计，能把任何文档格式转成结构化 Markdown/JSON。公式自动变 LaTeX、表格自动变 HTML、图片自动提取描述。109 种语言 OCR 支持。

OmniDocBench v 1.6 评测中：pipeline 后端 86.47 分，hybrid 后端 95.39 分（high 模式）。

核心功能

• 支持 PDF / DOCX / PPTX / XLSX / 图片 / 网页
• 自动去除页眉页脚页码，保持语义连贯
• 公式→LaTeX，表格→HTML
• 扫描件/手写体 OCR（109 语言）
• VLM + OCR 双引擎（纯 CPU 也能跑）
• MCP Server：Cursor / Claude Desktop / Windsurf 集成
• LangChain / LlamaIndex / Dify / FastGPT 原生集成
• 10+ 国产芯片支持（昇腾/寒武纪/摩尔线程等）
• Docker 部署 + CLI + API + WebUI

安装方式

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

# 使用
mineru -p <input> -o <output>
# 纯CPU模式
mineru -p <input> -o <output> -b pipeline

或从源码安装：

git clone https://github.com/opendatalab/MinerU.git
cd MinerU
uv pip install -e .[all]

也支持在线体验：mineru.net

适用场景

• RAG 知识库构建：文档→Markdown 预处理
• 学术论文批量解析：公式+表格+引用提取
• 企业文档数字化：合同/发票/报告结构化
• AI Agent 文档理解：MCP Server 直接集成

FAQ

能处理中文文档吗？ 完美支持。MinerU 来自上海 AI Lab OpenDataLab，109 语言 OCR 包括中文。

纯 CPU 能跑吗？ 可以，pipeline 后端最低 4 GB VRAM 或纯 CPU。

和商业方案比如何？ OmniDocBench 基准上 hybrid 后端达到 95.39 分，远超多数商业 API。

参考来源

• GitHub
• 官方文档
• 在线体验

工具链搭配：MinerU 将文档转为 Markdown 后，可以配合 Context 7 注入 AI 代理上下文——前者做格式转换，后者做实时分发。