PDF 转 Markdown 这件事，MinerU 做到了 69K Stars 的水平

文档预处理是 RAG 管道的幽灵——没人喜欢聊，但效果好不好全看它。MinerU 把 PDF、Office 文档转成 LLM 可直接吃的 Markdown/JSON，69509 个 star 不是白来的。

这个项目解决什么问题？

RAG 系统的瓶颈不在 embedding 模型，不在向量检索，在文档解析这一步。

PDF 转文字这个坑够深了：双栏布局变成一堆乱序文本、表格识别靠格式猜、公式变成方块字、扫描件 OCR 识别率看天吃饭。传统方案（PyPDF2、pdfplumber）只能应付最简单的 PDF，遇到学术论文、财报、有复杂排版的文档就直接拉胯。

MinerU 的核心思路很直接：先做版面分析（layout analysis），再做内容提取。它不是一行行读 PDF，而是先理解每个页面上的东西是什么——标题、正文、表格、图片、公式——然后用对应策略提取。

核心亮点

• 版面识别引擎：基于深度学习做版面元素检测，能区分标题、段落、表格、图片、公式（数学公式单独提取 LaTeX）
• 多格式输入：PDF、Word（.docx）、Excel（.xlsx）、PPT 都能进，统一输出 Markdown 或 JSON
• OCR 兜底：扫描件和多语言文档自动降级到 OCR，不做硬性格式要求
• LLM-ready 输出：输出的 Markdown 保留结构（章节层级、列表、表格），JSON 格式适合直接喂给 AI agent
• pip install 即用：pip install mineru安装，不需要编译 C++ 扩展

对比同行：

• PyMuPDF（fitz）：快但格式丢失严重，双栏变单栏乱序
• LlamaParse：效果好但私有，按页计费
• Unstructured.io：功能全但配置复杂，中文支持不完善
• MinerU：开源（Apache 2.0），中文优先，社区活跃

快速上手

pipinstallmineru# 命令行直接转mineru pdf your-document.pdf-ooutput/# 或者 Python APIfrom mineruimportprocess_document result=process_document("paper.pdf")print(result.markdown)

不依赖 GPU。几 MB 的小文档秒级出结果。复杂的 100 页 PDF 取决于内容复杂度，大概 10-30 秒。

⚠️注意：首次运行时模型权重会自动下载（约 500MB），建议提前mineru download-models。

我的评价

MinerU 是目前开源 PDF 解析里综合完成度最高的选择。OpenDataLab 团队持续维护了两年，GitHub 69509 stars，PyPI 月下载量过百万。

和商业方案比，它的版面分析效果已经接近 LlamaParse 的 90%，但完全免费、可自托管。对于中文文档，它的表现甚至更好——因为训练数据里中文 PDF 的占比够大。

不是没有缺点：超大 PDF（500+ 页）会吃内存到 8GB+；如果你要实时解析（比如 API 场景），部署优化还得自己做。但作为 RAG 管道的预处理层，MinerU 是这个领域最成熟的开源选择。