MinerU 项目介绍

MinerU 项目介绍

项目定位

MinerU 是一款专为 LLM · RAG · Agent 场景构建的高精度文档解析引擎，将 PDF、图片、DOCX、PPTX、XLSX 等格式转化为结构化 Markdown 和 JSON 格式。它解决的核心问题是：如何从复杂文档（扫描件、多栏排版、公式、表格）中精准提取结构化内容，为下游 AI 系统提供高质量输入。

核心能力

• 全格式原生解析：PDF、图片、DOCX、PPTX、XLSX，无需先转 PDF 再解析，DOCX 端到端速度提升数十倍
• 三引擎架构：pipeline（低资源无幻觉）、vlm（高精度 VLM 推理）、hybrid（混合文本提取 + VLM 增强）
• 公式 → LaTeX、表格 → HTML：自动识别文档中的公式和表格，精准还原
• 109 种语言 OCR：支持扫描件、手写体、多栏布局、跨页表格合并
• VLM + OCR 双引擎：主模型 MinerU2.5-Pro-2605-1.2B，OmniDocBench 95+ 分
• 多种输出格式：多模态 Markdown、NLP Markdown、按阅读顺序的 JSON、内容列表
• 可视化质检：layout bbox、span bbox 可视化输出，便于确认解析效果
• MCP Server 集成：Cursor、Claude Desktop、Windsurf 原生支持
• 多部署形态：CLI、FastAPI、Gradio WebUI、mineru-router（多 GPU 负载均衡）、Docker
• 纯 CPU 可运行：pipeline 引擎支持纯 CPU 推理，最低 4GB 显存
• 十余款国产算力适配：昇腾、寒武纪、燧原、沐曦、摩尔线程、昆仑芯等

技术栈

层面	技术
语言	Python 3.10–3.13
核心依赖	PyTorch, Transformers, OpenCV, pypdfium2, OpenAI SDK
VLM 推理后端	vLLM（Linux）、LMdeploy（Windows）、mlx（macOS）、transformers
布局识别	PP-DocLayoutV2
公式识别	UniMERNet + pp_formulanet_plus_m
OCR	PaddleOCR（PyTorch 移植版），109 种语言
表格结构识别	SlanetPlus + UnetStructure
API 框架	FastAPI + Uvicorn
部署	Docker, mineru-router（多卡负载均衡）
集成	MCP Server、LangChain、LlamaIndex、Dify、RAGFlow、Flowise、FastGPT

架构概览

快速开始

安装

uv pip install -U "mineru[all]"

命令行解析

# GPU 环境
mineru -p <input_path> -o <output_path>

# 纯 CPU 环境
mineru -p <input_path> -o <output_path> -b pipeline

API 服务

# 启动 FastAPI 服务
mineru-api --host 0.0.0.0 --port 8888

# 多卡负载均衡
mineru-router --workers 4

教程导读

本教程基于 MinerU v3.2.1（commit 06b5ff1），从源码出发，分为两条主线：

AI 应用知识线（/tutorials/mineru/ai/）

聚焦 MinerU 作为文档解析引擎的通用知识，包括：

• 文档解析在 RAG/Agent 管线中的定位
• 三引擎架构（pipeline/VLM/hybrid）的选型策略
• OCR 与布局识别的协同工作
• 公式识别（MFR）与表格结构识别（TSR）
• Office 文档的原生解析方案
• 输出格式（Markdown/JSON/内容列表）的设计

编程开发知识线（/tutorials/mineru/dev/）

聚焦 MinerU 的工程实践与架构决策，包括：

• 三引擎后端的源码实现与调度
• 异步 API 与任务编排
• 滑动窗口内存优化与流式落盘
• 多线程安全推理
• 多 GPU 路由与负载均衡
• 模型管理（自动下载、缓存、切换源）

本教程涉及的部分通用知识已收录于 公共知识库，建议先阅读相关章节以获得更系统的理解。