mineru document extractor

核心用法

MinerU 提供双模式文档解析方案：flash-extract 免登录即时转换，适合 10MB/20页以内的小型文档快速处理；extract 需 Token 激活，支持表格识别、公式转 LaTeX、VLM 智能版面分析、批量处理及多格式输出（Markdown/HTML/LaTeX/DOCX）。另有 crawl 子命令可将网页转为结构化文档。

典型工作流：小文件直接用 flash-extract 零门槛启动；复杂排版或学术文献切至 extract --model vlm 获取最佳识别效果；对准确性要求极高时选用 pipeline 模型规避幻觉风险。支持 80+ 语言，涵盖中英文、日语、韩语、阿拉伯语等，适配全球化文档场景。

显著优点

• 双模式灵活切换：免费快速模式降低试用成本，专业模式满足生产级精度需求
• 多格式全覆盖：原生支持 PDF、Word（DOC/DOCX）、PPT（PPT/PPTX）、图片及网页抓取
• 学术场景优化：内置公式识别（LaTeX 输出）与复杂表格解析，研究论文处理效率高
• 批量与自动化：支持通配符批量处理、并发控制及程序化集成
• 跨平台部署：NPM 与 Go 双渠道安装，兼容 macOS/Linux/Windows

潜在局限

• VLM 模型存在幻觉风险：复杂布局下可能生成非原文内容，需人工校验关键数据
• Token 依赖：高级功能需注册获取 API Token，离线环境受限
• 文件限制：快速模式 10MB/20 页上限，超大文档必须切换付费模式
• 语言包体积：部分语种需额外下载模型资源，首次使用有准备成本

适合人群

学术研究者（论文解析）、数据工程师（批量文档流水线）、开发者（构建文档 RAG/知识库）、内容运营（网页转结构化素材）。

常规风险

• 隐私合规：文档上传至云端处理，敏感资料需脱敏或评估本地化部署方案
• Token 泄露：~/.mineru/config.yaml 或环境变量存储凭证，多用户环境需权限管控
• 输出验证：公式/表格识别错误可能导致下游计算偏差，关键场景建议人工复核

核心用法

MinerU Document Extractor 是一款面向开发者和研究者的专业文档解析工具，通过 mineru-open-api CLI 实现多格式文档到结构化文本的转换。提供双模式工作流：

• flash-extract（闪电提取）：零配置、免登录、无Token，10秒内快速转换≤10MB/20页的简单文档，输出纯Markdown
• extract（精准提取）：需Token认证，支持表格识别、LaTeX公式解析、OCR扫描件识别、VLM视觉布局分析，输出md/html/latex/docx/json五格式

典型场景：学术论文结构化解析（保留表格与数学公式）、扫描件OCR数字化、批量PDF资产处理、网页内容爬取归档、多语言文档（含中文繁体/日文/阿拉伯文等）智能转换。

显著优点

1. 格式覆盖全面：PDF/DOC/DOCX/PPT/PPTX/图片/网页全支持，80+语言识别
2. 双模型策略：vlm模型针对复杂版面（多栏、图文混排）高精度解析；pipeline模型零幻觉输出，确保关键文档的绝对忠实还原
3. 工程友好：纯CLI设计，支持stdin/stdout管道操作，批量并发处理（--concurrency），完美嵌入自动化工作流
4. 渐进式体验：新手用flash-extract即刻上手，进阶需求无缝切换extract模式

潜在局限

• 免费层限制：flash-extract硬性限制10MB/20页；extract模式需注册获取Token，大流量场景可能涉及计费
• 模型权衡：vlm模型虽精度高，但存在极低概率的幻觉风险；pipeline模型保守可靠但复杂版面处理能力有限
• 本地依赖：需预装Node.js或Go环境，非纯云端SaaS方案
• 中文优化：虽支持中文，但部分古籍竖排、手写体等极端场景识别率不及英文印刷体

适合人群

• 学术研究者：批量解析顶会论文，提取结构化数据用于知识库构建
• 数据工程师：企业级文档流水线（RAG系统、合规存档）的ETL组件
• 开发者：需要将文档内容集成到Markdown-based CMS、Wiki或AI应用的内容入口
• 知识管理用户：个人PDF书库、网页收藏的结构化迁移

常规风险

• 隐私合规：扫描含敏感信息的PDF时，flash-extract数据经云端处理（虽报告未明确披露服务商），extract模式建议本地部署MinerU核心
• Token安全：MINERU_TOKEN环境变量需妥善保管，避免提交至版本控制
• 输出校验：复杂表格建议人工抽检，公式LaTeX需编译验证

---

来源：OpenDataLab 开源组织（GitHub 133+ stars），纯文档型Skill，无动态代码，S级安全认证。