1、什么是 MineruMinerU是一个将复杂文档如PDF转换为LLM就绪的markdown/JSON格式的工具用于Agentic工作流。相比传统PDF解析工具MinerU在文档结构解析、多媒体提取、公式识别等方面有着显著优势。主要功能包括文档结构解析移除页眉页脚、脚注、页码等确保语义连贯性内容提取输出按人类可读顺序排列的文本支持单列、多列和复杂布局格式保持保留原始文档结构标题、段落、列表等多媒体提取提取图像、图像描述、表格、表格标题和脚注公式识别自动将文档中的公式转换为LaTeX格式表格识别自动将表格转换为HTML格式OCR支持自动检测扫描版PDF并启用OCR功能支持84种语言多平台支持兼容Windows、Linux、Mac平台支持CPU/GPU/NPU加速2、环境准备与安装2.1 硬件要求CPU推理支持纯CPU环境GPU要求Turing架构及以上6GB显存pipeline后端或8GB显存VLM后端内存要求最低16GB推荐32GB磁盘空间20GB建议SSDPython版本3.10-3.132.2 安装方法1使用pip或uv安装123pip install --upgrade pippip install uvuv pip install -U mineru[core]2基于源码安装123git clone https://github.com/opendatalab/MinerU.gitcd MinerUuv pip install -e .[core]3Docker部署项目提供Docker部署方式可快速搭建环境解决兼容性问题。3、配置文件详解MinerU提供了灵活的配置选项主要包括解析后端设置pipeline和VLM两种输出格式选择Markdown、JSON等OCR语言设置图像和表格处理参数配置文件通常包括解析精度、资源使用限制等关键参数可以根据需要进行调整。3.1 解析后端pipeline和VLM对比3.1.1 Pipeline 后端传统流水线原理基于计算机视觉CV规则和传统OCR引擎如PaddleOCR的组合管道。先分析页面布局定位标题、段落、图片区域再对文本区域进行OCR或直接提取。核心模型由多个专项轻量模型 规则组成工具链分工处理不同任务布局分析DocLayoutYOLO识别标题、段落、表格等元素位置OCR 识别PaddleOCR提取图片中的文字表格解析UnetTableModel有线表格、RapidTableModel无线表格公式处理YOLOv8MFD公式检测 Unimernet公式识别为 LaTeX。辅助工具需要坐标计算如 IOU 重叠度、规则匹配如列表缩进判断等工程化逻辑。特点✅速度快资源消耗低适合批量和实时处理。✅对标准电子版文档如Word生成的PDF提取准确率高。✅ 技术成熟稳定性好。❌ 对极端复杂排版如多栏混排、不规则表格的还原能力有限。❌ 对扫描质量差的文档容错率较低。3.1.2 VLM 后端视觉 - 语言模型原理利用视觉语言大模型理解整个文档页面像人一样“阅读”并结构化信息。能更好地理解上下文和语义关系。核心模型依赖视觉 - 语言大模型如 Qwen2VL、LLaVA 等具备 “看图理解内容 格式” 的能力需配合 vllm 等推理引擎加速支持批量 / 异步推理。辅助工具仅需基础的 PDF 转图像工具如 pdf2image无需其他专项模型布局分析、OCR、表格解析等均由大模型内部完成。特点✅理解能力极强对复杂排版、图表关联、公式、手写体等有更好的还原度。✅文档结构还原更精准逻辑顺序更符合人类阅读习惯。✅ 对低质量扫描件的鲁棒性更好。❌速度慢计算资源消耗大尤其依赖GPU。❌ 通常需要本地部署或使用特定云端服务配置更复杂。3.1.3 性能指标对比处理速度对比模式单页处理时间批处理效率加速方案Pipeline2-5秒/页支持批量并行GPU加速VLM-transformers10-20秒/页单页串行无原生加速VLM-sglang0.5-1秒/页支持批量并行sglang加速20-30倍资源消耗对比资源类型Pipeline模式VLM-transformersVLM-sglangGPU显存6GB8GB8GBCPU内存中等较低较低模型存储多模型总计~5GB单模型~2GB单模型~2GB精度表现对比基于标准测试集的评估结果任务类型Pipeline模式VLM模式优势方常规文本⭐⭐⭐⭐⭐⭐⭐⭐⭐Pipeline复杂布局⭐⭐⭐⭐⭐⭐⭐⭐⭐VLM手写文本⭐⭐⭐⭐⭐⭐VLM多语言混合⭐⭐⭐⭐⭐⭐⭐Pipeline公式解析⭐⭐⭐⭐⭐⭐⭐Pipeline表格识别⭐⭐⭐⭐⭐⭐⭐VLM部署方案对比部署方式Pipeline模式VLM模式最低配置CPU 8GB内存GPU 8GB 16GB内存推荐配置GPU 6GB 16GB内存GPU 16GB 32GB内存模型下载多模型~5GB单模型~2GB依赖项较多专业库相对简洁3.2 配置场景推荐您的场景推荐配置理由批量处理标准电子版PDF/Word如公文、报表关闭OCR​ Pipeline后端​直接提取文字层速度最快结果足够准确成本最低。处理扫描版PDF或图片文档​开启OCR​ Pipeline后端​必须通过OCR获取文字。Pipeline方案在清晰度尚可的扫描件上性价比最高。处理高度复杂的学术论文、古籍、杂志​开启OCR​ VLM后端​VLM能更好地理解多栏排版、图文混排、数学公式和参考文献的复杂结构。对格式还原精度要求极高如存档、出版开启OCR​ VLM后端​VLM的语义理解能力可以最大程度保留原文档的视觉和逻辑结构。在本地服务器处理敏感/涉密文档​本地部署VLM服务并填写server地址数据不出内网安全可控同时能利用大模型的高精度解析能力。快速验证或处理简单文档​使用MinerU云端服务语言设auto无需部署开箱即用适合原型验证或轻量使用。3.3 总结与建议优先尝试默认Pipeline对于大多数清晰、结构规范的电子文档默认的pipeline模式在速度和准确度上是最平衡的选择。复杂和扫描件用VLM当遇到复杂排版、或Pipeline解析结果不理想时特别是处理学术论文、古籍、复杂报告时应转向v2VLM后端的方案。OCR是开关不是质量决定项开启OCR是处理图片类文档的必要条件但最终解析质量由“OCR精度” “后端结构理解能力”共同决定。VLM后端能弥补OCR的某些不足。从云端到本地建议先在MinerU官网mineru.net​ 的在线体验区用不同配置测试您的典型文档。确定最佳配置后再考虑是否需要为性能、隐私或定制化需求而进行本地部署。4、API调用MinerU提供云端API服务可以通过简单的HTTP请求调用文档解析功能123456789101112131415161718importrequeststoken官网申请的api tokenurlhttps://mineru.net/api/v4/extract/taskheader{Content-Type:application/json,Authorization: fBearer {token}}data{url:https://cdn-mineru.openxlab.org.cn/demo/example.pdf,is_ocr:True,enable_formula:False,}resrequests.post(url,headersheader,jsondata)print(res.status_code)print(res.json())print(res.json()[data])API参数说明url: 要解析的PDF文档在线链接is_ocr: 是否启用OCR识别默认Trueenable_formula: 是否启用公式识别默认False返回结果包含任务ID可通过任务ID查询解析进度和结果5、Dify配置私有化部署MinerU1在插件市场搜索 MinerU点击下载安装即可。2如果使用MinerU官方API授权地址是 https://mineru.net如果是私有化部署的MinerU授权地址是http://服务器Ip:MinerU监听端口3为了避免如下报错需要设置 Dify 的配置文件123cd/data/dify/dify-1.11.4/docker/vim docker-compose.yamlFILES_URL: ${FILES_URL:-http://192.168.137.138:5001}FILES_URL设置为 http://Dify宿主机IP:5001如 http://192.168.137.138:5001这里的 IP 通常是运行 Dify 的机器的 IP即前文提到的“本地IP”端口。5001是 Dify API 服务的默认端口。确认 Dify API 服务的5001端口已对外暴露可检查docker-compose.yaml文件的端口映射。重启 Dify 服务以使配置生效。4之后就可以在工作流中使用MinerU工具进行文档解析。6、总结