MinerU：面向 Agentic 工作流的复杂文档解析工具

这是什么

MinerU 是由 opendatalab 团队开发的一款高精度文档解析引擎，旨在为 LLM（大语言模型）、RAG（检索增强生成）及 Agent 工作流提供高质量的结构化数据输入。该项目在 GitHub 上热度极高（Stars 69167+），主语言为 Python。

MinerU 的核心价值在于其“VLM + OCR”双引擎架构，能够将 PDF、DOCX、PPTX、XLSX、图片及网页等多种格式文档，自动转换为符合人类阅读顺序的结构化 Markdown 或 JSON 数据。它支持 109 种语言的 OCR 识别，并原生支持 MCP Server 以及 LangChain、Dify、FastGPT 等主流 AI 框架集成。此外，项目对国内主流 AI 芯片（如 Ascend、Cambricon、Iluvatar 等）提供了广泛支持，适合私有化部署和全离线环境使用。

解决的问题

在构建企业级知识库或训练垂直领域模型时，非结构化文档的处理一直是痛点。MinerU 主要解决以下核心问题：

1. 复杂版式还原困难：传统 OCR 或简单的文本提取工具难以处理多栏排版、跨页表格、嵌套图表、手写体及公式，导致上下文丢失或结构混乱。
2. 多格式兼容性与效率瓶颈：不同格式（如 Word、PPT、Excel）往往需要不同的转换工具，且将 DOCX 转为 PDF 再解析的流程耗时且易出错。MinerU 实现了端到端的原生解析，大幅提升了吞吐量。
3. LLM 输入质量低：噪声数据（如页眉页脚、乱码、无关图片）会严重干扰 LLM 的理解能力。MinerU 能自动去除页眉页脚，并按阅读顺序重组内容，输出干净的结构化数据。
4. 部署与生态壁垒：许多高精度解析工具依赖特定硬件或难以集成到现有的 RAG 流水线中。MinerU 提供了统一的 API/CLI 接口，并适配了多种国产芯片，降低了落地门槛。

核心功能

1. 多格式原生解析

• 全格式支持：原生支持 PDF、DOCX、PPTX、XLSX 及各类图片格式。
• 端到端加速：相比传统的“DOCX转PDF再解析”流程，原生 DOCX 解析速度提升数十倍，同时保证高精度。
• 结构化输出：输出遵循人类阅读顺序，自动识别并去除页眉页脚，保留标题层级。

2. VLM + OCR 双引擎

• 高精度识别：采用视觉语言模型（VLM）结合 OCR 技术，支持 109 种语言。
• 复杂元素处理：
  • 公式：精准转换为 LaTeX 格式。
  • 表格：转换为 HTML，支持跨页表格合并、表格内图片/公式识别。
  • 特殊场景：支持扫描件、手写体、竖排文字、印章文字识别及行内公式编号识别。

3. 混合解析策略（Hybrid Parsing）

• 解析强度调节：在 3.3 版本中引入 effort 参数，提供 medium 和 high 两种强度。
  • medium：默认选项，平衡速度与精度，解析速度提升 35%~220%（视平台和场景而定）。
  • high：追求极致精度或需要图像分析时使用，速度较慢但准确率最高。

4. 工程化与部署优化

• 统一编排接口：
  • mineru 作为编排客户端，自动启动本地临时服务。
  • mineru-api 提供异步任务端点（POST /tasks）和同步解析端点，支持任务提交、状态查询及结果获取。
  • mineru-router 支持多服务、多 GPU 环境下的统一入口部署与自动负载均衡。
• 模型优化：
  • 后端 OCR 模型升级为 PP-OCRv6，在 OmniDocBench v1.6 上准确率提升约 11%。
  • 推理管道优化，OCR 处理速度提升约 100%。
  • 智能模型源选择与本地缓存机制，减少重复下载，优化首次安装体验。

亮点 / 与同类相比

1. 开源协议更友好：

   • 从 AGPLv3 升级为基于 Apache 2.0 的自定义 MinerU 开源许可证。这一改变显著降低了社区用户和商业部署的合规摩擦，使其更易于集成到实际工作流中。

2. 国产芯片全覆盖：

   • 原生支持 Ascend（昇腾）、Cambricon（寒武纪）、Enflame（燧原）、MetaX（摩尔线程）、Kunlunxin（昆仑芯）、Iluvatar（天数智芯）、Hygon（海光）、Biren（壁仞）、T-Head（平头哥）等 10+ 种国内 AI 芯片，满足信创及私有化部署需求。

3. SOTA 级解析精度：

   • 主模型升级为 MinerU2.5-Pro-2605-1.2B（3.3版本）及后续的 MinerU2.5-Pro-2604-1.2B（3.1版本），在 OmniDocBench 等基准测试中表现优异，特别是在复杂文档布局、截断段落合并及表格内元素识别方面处于领先地位。

4. 生态集成无缝化：

   • 原生支持 MCP Server，并直接兼容 LangChain、Dify、FastGPT 等主流 RAG 框架，开发者无需编写复杂的适配代码即可接入。

适合谁用 / 上手

适合人群

• RAG 应用开发者：需要高质量文档切片和结构化数据以构建企业知识库的用户。
• AI Agent 构建者：需要 Agent 能够准确理解复杂文档（如合同、财报、论文）中的表格和公式。
• 私有化部署团队：对数据隐私敏感，需要全离线运行且依赖国产硬件基础设施的企业 IT 部门。
• 学术研究/数据标注：需要批量处理多语言、多格式文档并提取结构化信息的科研人员。

上手指南

1. 环境准备：
   • 支持 Linux、Windows、macOS。
   • 推荐使用 Python 环境，注意 torch 版本兼容性（已适配 torch >= 2.8，基础镜像升级为 vllm 0.11.2 + torch 2.9.0）。
2. 安装与配置：
   • 通过 pip 安装 MinerU。
   • 首次运行会自动根据网络环境选择最佳模型源下载依赖模型（如 PP-OCRv6、VLM 模型等）。
   • 利用本地缓存机制，后续启动将复用已下载模型，加速迭代。
3. 调用方式：
   • CLI：直接使用命令行进行文件解析。
   • API：启动 mineru-api 服务，通过 HTTP 接口提交异步任务或同步解析文件。
   • 集成：在 Dify、LangChain 等平台上直接配置 MinerU 作为文档处理插件。
4. 性能调优：
   • 对于日常文档处理，建议使用默认的 effort=medium 模式以获得最佳速度/精度比。
   • 对于包含大量图表或需要极高精度的场景，切换至 effort=high。