mineru document extractor

核心功能

MinerU 是一款由上海人工智能实验室开源的文档解析工具，专注于解决PDF、扫描件、图片等复杂文档的结构化提取难题。它支持将PDF、Word、PPT、网页等80余种格式转换为Markdown、HTML、LaTeX或DOCX，特别擅长处理学术论文中的表格、公式和多栏排版。

两种提取模式

Flash-Extract（快速模式）：零配置、免登录、无Token即可使用，10MB/20页以内文件秒级转换，适合日常轻量需求。

Precision Extract（专业模式）：需Token认证，支持VLM视觉语言模型进行布局分析，可批量处理、输出多格式，适合科研论文、复杂版式文档。

显著优势

• 多模态识别：集成OCR、表格识别、公式识别（LaTeX），支持手写体与印刷体混排
• 高保真还原：保留文档层级结构，智能识别标题、段落、列表、代码块
• 多语言支持：覆盖中英日韩阿等80+语言，内置拉丁、阿拉伯、西里尔等语系专用包
• 开源可信：由OpenDataLab维护，代码可审计，支持本地部署与API调用

局限性与风险

• VLM模型可能幻觉：复杂布局下偶发文本生成错误，关键场景建议用pipeline模式
• 文件限制：免费版10MB/20页上限，大文档需付费Token
• 隐私考量：Token模式文件需上传云端处理，敏感文档建议本地部署MinerU社区版

适用人群

学术研究者（论文解析）、数据工程师（批量ETL）、开发者（构建文档RAG pipeline）、法律/金融从业者（合同报告结构化）

安全建议

处理机密文档时优先使用本地开源版本；核对VLM输出中的公式与数字；批量任务建议先采样验证准确性。

核心用法

MinerU 提供两种提取模式满足不同场景：

flash-extract（快速模式）：零配置、免登录、免 token，单文件 10MB/20 页内直接转换 Markdown，支持表格、公式、OCR 识别，适合临时快速处理。

extract（专业模式）：需 token 认证，支持多格式输出（md/html/latex/docx/json）、VLM 智能布局分析、批量处理、更大文件，适合生产环境。

Web 抓取：crawl 命令可将任意网页转为结构化 Markdown。

显著优点

• 中文场景优化：默认针对中文 PDF 排版优化，学术论文、财报、扫描件识别效果领先
• 双模式设计：快速模式降低使用门槛，专业模式满足企业级需求
• 多格式覆盖：PDF、Word（含 .doc 旧版）、PPT、图片、HTML 全支持
• 80+ 语言 OCR：中文、英文、日文、韩文、阿拉伯文、印地语等完整覆盖
• 公式表格专项优化：学术场景下的 LaTeX 公式、复杂表格识别准确率高

潜在局限

• flash-extract 有 10MB/20 页硬性限制，大文件必须切换专业模式
• VLM 模型虽精度高但存在极低概率幻觉风险，pipeline 模型无幻觉但复杂布局能力稍弱
• 专业模式需注册 token，有一定使用门槛
• 部分旧版 Office 格式（.doc/.ppt）仅专业模式支持

适合人群

| 场景 | 推荐模式 |

|------|---------|

| 偶尔转换 PDF/图片为 Markdown | flash-extract |

| 学术研究者处理论文、公式、表格 | extract + VLM |

| 开发者构建文档处理流水线 | extract + batch |

| 数据工程师批量处理企业文档 | extract + pipeline |

| 需保留 Word/Excel 格式的场景 | extract + docx 输出 |

常规风险

1. Token 安全：需妥善保管 API token，建议使用环境变量而非命令行参数
2. 敏感文档：输出目录需设置访问权限，避免敏感内容泄露
3. 外部依赖：需通过 npm/go install 安装 CLI 工具，应从官方渠道获取
4. 网络依赖：专业模式需联网调用 MinerU 云端服务

快速开始

# 安装
npm install -g mineru-open-api

# 零登录快速试用
mineru-open-api flash-extract paper.pdf

# 专业模式（需先获取 token）
mineru-open-api auth
mineru-open-api extract paper.pdf -f md,docx -o ./output/