PDF解析OCR与文档阅读工具:MinerU
是一款文档阅读与解析开源工具,支持PDF、扫描件、Word、PPT、Excel等格式转成Markdown,并保留按页按区块的稳定定位。它擅长长文档、表格与公式处理,默认本地解析更安心。
温馨提示:本文发布于 2026-11-19,内容可能随时间推移而失效;若遇到链接打不开、资源异常等情况,可在下方「反馈」中告诉我们,我们会尽快核实处理。
一份上百页的扫描版论文摆在面前,想从中找出公式、表格和结论,靠人眼翻页抄录既慢又容易出错。这类需求看起来普通,真正处理起来却很考验工具:PDF 里可能有复杂版面、跨页表格和行内公式,扫描件还需要先做 OCR 才能拿到文字。MinerU 就是为这类文档阅读与解析场景准备的开源工具,它把解析、OCR、搜索、检查和引用串成一条完整流程,让你不必在多个软件之间来回切换。更关键的是,它默认把文档留在本机处理,只有明确使用远程参数时才会上传,对隐私敏感的资料也算友好。下面按是什么、功能、场景、上手步骤和适用边界几个维度,把这套工具的取舍讲清楚。
MinerU是什么?
MinerU 是一个面向文档阅读与解析的开源工具,主要用来把 PDF、扫描件、Word、PPT、Excel 等多种格式的文档解析成可继续处理的内容,服务于需要读取、检索、引用长文档的人,包括研究者、枫叶和知识工作者。它并不只做一个格式的转换:从本地文档的工作流出发,把发现文件、缓存解析结果、搜索内容、按页或按区块继续阅读,以及保留稳定的引用定位串成一体。项目同时提供 Python SDK、V1 API、无状态批量转换、多服务 Router 和基于 Gradio 的 WebUI,让命令行调用与界面操作各有落点。定位上,它更像是文档阅读的基础设施,而不是一次性的格式转换脚本。

核心功能
- 文档解析与格式转换——支持 PDF、扫描图片、Word、PPT、Excel、RTF、OpenDocument、EPUB、OFD、HTML、MHTML、CSV 等格式,把内容转成 Markdown,方便后续分析与引用。
- OCR 与扫描件识别——针对扫描版 PDF 和拍摄的文档图片做 OCR,让原本取不到文字的页面也能进入检索与阅读流程。
- 长文档续读与区块定位——用按页或按区块的续读代替把整份文件塞进上下文,并用 doc:{shortid}/tier:{tier}/page:{pageno}/block:{blockno} 这类定位串保留稳定引用。
- 表格、公式与版面处理——4.2 版本改进了行内公式识别与复杂版面分析,并加强了跨页表格合并,Tagged PDF 与 PDF/UA 的结构语义也被用于改善阅读顺序。
- 统一工具入口——提供 Python SDK、V1 API、无状态批量转换、多服务 Router 和基于 Gradio 的 WebUI,脚本调用与界面操作可以按需选择。
- 可独立配置的模型引擎——小模型可选 ONNX 或 Torch,VLM 可选 llama.cpp、vLLM 或 LMDeploy,便于按硬件条件拆分部署。
- 本地优先与隐私控制——默认本机解析,只有显式带远程参数才上传;本地失败不会静默回退到远程,远程失败在条件允许时才可回退到本地。
使用场景
| 人群/角色 | 场景描述 | 推荐指数 |
|---|---|---|
| 研究者 / 学生 | 阅读长篇论文、提取公式与跨页表格,并按页续读而非整篇载入 | ★★★★★ |
| 内容整理者 | 把扫描件、Word、PPT、Excel 等转成 Markdown 做二次分析 | ★★★★☆ |
| 枫叶 | 通过 Python SDK 或 V1 API 把解析能力接入自己的流水线 | ★★★★☆ |
| 知识库建设者 | 对已索引文档做搜索,并用定位串保留可回溯的引用 | ★★★★☆ |
| 隐私敏感用户 | 依赖默认本地解析处理不外传的内部资料 | ★★★★☆ |
| 视觉核查人员 | 按页或按区块取回图片做人工目视检查 | ★★★☆☆ |
操作指南
- 先确认你的硬件与系统:项目在 Windows 和 Linux 上提供针对兼容 Intel、AMD、NVIDIA 显卡的 ONNX 自动加速,macOS 上则有 MPS 与 Metal 支持,程序会检测设备,优先使用独立显卡,并为集显选择更合适的执行方式。
- 安装与配置按项目文档进行,把 mineru 作为命令入口;配置服务时可以在 Python SDK、V1 API、批量转换、Router 与 WebUI 中选择一种作为主要调用方式。
- 处理第一份文件时,直接对本地文件发起读取;若想让程序做控制流判断,记得带上 –json 参数,让输出更适合机器解析。
- 对长文档不要一次读完,续读时跟随 continuation 命令和 nextrequest 的提示逐段推进,并把 doc:{shortid}/tier:{tier}/page:{pageno}/block:{blockno} 这类定位串保留下来,方便回看与引用。
- 需要目视核查时,按页或按区块取回图片;质量档位方面,普通阅读可省略 –tier 参数,让工具按标准、再基本的顺序选择,而 flash 不会被当作默认的最终阅读档位。
- 涉及外传时守住边界:默认只在本地解析,确需远程时才带远程参数,且要先获得授权,本地失败不会静默转远程。准备好后,从 立即使用 入口开始,或前往 MinerU 查看项目主页与文档。
支持平台
从已公开的信息看,MinerU 提供基于 Gradio 的 WebUI,并有在线试用入口,浏览器即可使用;同时以 mineru 作为命令行入口,适合脚本与自动化场景。开发侧提供 Python SDK 与 V1 API,便于接入现有系统。系统层面,Windows 与 Linux 支持针对兼容显卡的 ONNX 自动加速,macOS 支持 MPS 与 Metal。项目还维护 Discord 与微信社群。小程序、浏览器插件等形态站方没有明确列出,以站内信息为准。
产品定价
站方未公开价格信息,以站内为准。
常见问题
Q:MinerU 默认会把我的文档上传到服务器吗?
不会。默认情况下 mineru 在本机解析文档,只有当命令显式使用远程参数时才会把文档送去远程解析。即使已经配置了远程能力,在你同意之前也不应上传;本地解析失败不会静默地转到远程,只有远程失败且请求仍可在本地满足时,才可能回退到本地。
Q:处理长文档时,怎样避免把整篇内容塞进上下文?
可以用按页或按区块的续读方式,跟随 continuation 命令和 nextrequest 的提示逐段推进,而不是一次读完整份文件。过程中保留 doc:{shortid}/tier:{tier}/page:{pageno}/block:{blockno} 这样的定位串,后续引用和回看都能稳定指向同一处。
Q:普通阅读时需要手动指定质量档位吗?
一般不需要。普通阅读质量下省略 –tier 参数即可,基于解析服务器的解析会按标准、再基本的顺序选择;高级档位不会被隐式选中,flash 也不会被当作默认的最终阅读档位。若正常质量不可用,可先看 mineru server status –json,再把可选方案摆给用户决定,不要擅自换用非 MinerU 的解析器来凑合完成任务。
枫叶小结
作为收录到本站的开源项目,MinerU 的取舍很清楚:它把力气花在文档解析的准确性与流程连续性上,4.2 版在行内公式、复杂版面和跨页表格上的改进,以及 4.1 版带来的跨平台加速与统一任务 API,都指向长文档、表格、公式这类真正费劲的场景,而 Python SDK、API、Router 与 WebUI 的多入口设计,也让它可以嵌入不同工作流。适用边界同样明显:它默认本地解析,对隐私友好,但远程能力需要显式开启和授权;普通阅读不必纠结档位,遇到质量不可用时也应把选择权交回使用者,而不是替他默默降级。若能接受这样的约束,它比临时拼凑的解析脚本更值得作为文档阅读的底座。

