mineru-pdf-parser

name mineru-pdf-parser version 1.1.0 description 用 MinerU 将复杂PDF文档转换为LLM友好的Markdown/JSON格式。适用于：(1) PDF转Markdown/JSON，(2) 提取PDF中的文本、表格、公式、图像，(3) 解析学术论文、技术文档、商业报告，(4) 为RAG应用准备文档数据，(5) 批量处理PDF。触发关键词："PDF解析"、"PDF转Markdown"、"提取PDF表格/公式"、"MinerU"、"parse PDF"等。不用于：PDF的阅读/填表/签名/拆分合并（用宿主pdf工具）、Word/PPT等非PDF格式解析、只需读几页内容的场景（直接读即可，不必转换）。 MinerU PDF Parser 将复杂PDF文档转换为机器可读的Markdown/JSON格式，适用于LLM和RAG应用。 安装 # 推荐使用uv安装 pip install uv uv pip install -U "mineru[all]" # 下载模型（首次使用） mineru-models-download 快速使用 命令行 # 解析单个PDF mineru -p input.pdf -o output_dir # 批量解析 mineru -p pdf_folder/ -o output_dir # 指定解析模式 mineru -p input.pdf -o output_dir --backend vlm # VLM模式（高精度） mineru -p input.pdf -o output_dir --backend pipeline # Pipeline模式（快速） mineru -p input.pdf -o output_dir --backend hybrid # 混合模式（平衡） Python API from mineru import MinerU mineru = MinerU() result = mineru.parse( "document.pdf" ) # 获取输出 markdown = result.to_markdown() json_data = result.to_json() 详细API见 references/api_reference.md 解析模式选择 模式 特点 适用场景 pipeline 快速、资源少 简单文档、纯文本PDF vlm 高精度、复杂布局 学术论文、公式表格文档 hybrid 平衡速度精度 通用场景 输出文件 {filename}.md - Markdown正文 {filename}_content_list.json - 结构化JSON images/ - 提取的图像 {filename}_middle.json - 中间结果（调试） 格式详情见 references/output_formats.md 最佳实践 学术论文 mineru -p paper.pdf -o output --backend vlm 批量处理 from mineru import MinerU import os mineru = MinerU(backend= "hybrid" ) for pdf in os.listdir( "pdfs/" ): if pdf.endswith( ".pdf" ): result = mineru.parse( f"pdfs/ {pdf} " ) result.save( f"output/ {pdf[:- 4 ]} /" ) RAG数据准备 sections = result.get_sections() for section in sections: vector_db.add(section.title, section.content) 启用GPU加速 修改 ~/.mineru.json 中 device-mode 为 cuda 。 更多见 references/best_practices.md 验收标准（解析任务完成前自查） 输出目录里 .md 与 _content_list.json 都存在,把实际路径回报用户 抽查 1-2 页对照原 PDF:表格/公式没有明显丢失或错乱;有问题主动告知而不是静默交付 backend 选择有依据(简单文本→pipeline;公式表格密集→vlm;拿不准→hybrid) 批量任务报告成功/失败清单,失败的给原因 已知陷阱 陷阱 具体表现 应对 首次运行缺模型 未执行 mineru-models-download 直接解析报错 安装后先跑模型下载;下载体积大,提前告知用户耗时 无 GPU 硬跑 vlm CPU 上 vlm 模式极慢,像卡死 无 GPU 时用 pipeline/hybrid;有 GPU 改 ~/.mineru.json 的 device-mode 为 cuda 扫描件预期过高 低清晰度扫描 PDF 解析质量差 提前告知扫描件效果取决于清晰度;结果差时换 backend 重试一次,仍差则如实报告 大文件内存压力 数百页 PDF 单次解析内存暴涨 大文件分批解析或按章节拆分 脚本 使用 scripts/mineru_parse.py 进行解析，支持错误处理和日志记录。