1、什么是 Mineru？
MinerU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SSD
- Python版本：3.10-3.13
2.2 安装方法
（1）使用pip或uv安装- pip install --upgrade pip
- pip install uv
- uv pip install -U "mineru[core]"
- git clone https://github.com/opendatalab/MinerU.git
- cd MinerU
- uv pip install -e .[core]
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6GB+8GB+8GB+CPU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 v2+ VLM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：
- import requests
- token = "官网申请的api token"
- url = "https://mineru.net/api/v4/extract/task"
- header = {
- "Content-Type": "application/json",
- "Authorization": f"Bearer {token}"
- }
- data = {
- "url": "https://cdn-mineru.openxlab.org.cn/demo/example.pdf",
- "is_ocr": True,
- "enable_formula": False,
- }
- res = requests.post(url,headers=header,json=data)
- print(res.status_code)
- print(res.json())
- print(res.json()["data"])
- url: 要解析的PDF文档在线链接
- is_ocr: 是否启用OCR识别（默认True）
- enable_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MinerU
（1）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- cd /data/dify/dify-1.11.4/docker/
- vim docker-compose.yaml
- FILES_URL: ${FILES_URL:-http://192.168.137.138:5001}
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
MinerU作为一款专注于文档解析的工具，为AI Agent提供了高质量的文档处理能力。通过其强大的结构化解析、公式表格识别等功能，可以将复杂的PDF文档转换为机器可理解的格式，为后续的AI处理提供了坚实基础。
官方文档：https://mineru.net/apiManage/docs
参考：https://blog.csdn.net/Vantastic999/article/details/153752920
参考：https://blog.csdn.net/gitblog_00804/article/details/151124271
参考：https://blog.csdn.net/star_nwe/article/details/151418668
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！ |
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜
