核心功能
本技能封装了 MinerU 开源 PDF 解析引擎，提供两个核心工具：pdf_to_markdown 与 pdf_to_json。前者将 PDF 转换为保留结构、公式、表格和图片的 Markdown 文档；后者输出包含完整布局元数据的 JSON 格式，便于下游程序化处理。两者均支持分页解析、多语言 OCR（109 种语言）、公式识别与表格提取。
显著优点
1. 多后端适配：提供 hybrid-auto-engine（平衡模式，默认）、pipeline（纯 CPU）、vlm-auto-engine（高精度 GPU）三种后端，兼顾不同硬件环境。
2. 复杂版式还原：针对学术论文场景优化，对双栏布局、浮动公式、跨页表格的解析能力优于传统 PDF 转文本工具。
3. 本地私有化部署：数据无需上传云端，适合处理敏感文档。
4. 开源生态：基于 MIT 许可的 MinerU 项目，社区活跃，更新迭代快。
潜在局限
- 硬件门槛较高：推荐 32GB+ 内存与 NVIDIA GPU（Volta+），纯 CPU 模式速度显著下降。
- 依赖复杂：需 Python 3.10-3.13、uv 包管理器及大量深度学习依赖，安装过程可能出现版本冲突。
- 页码零基计数：接口设计采用 0 起始页码，易造成使用混淆。
- 扫描 PDF 质量敏感：OCR 准确率受扫描分辨率与字体清晰度影响，复杂手写体或低质量扫描件识别效果有限。
适合人群
- 科研人员与研究生：批量提取论文公式、表格与参考文献。
- 技术写作者：将 PDF 技术文档转换为 Markdown 维护。
- 数据工程师：构建本地文档解析流水线，替代云端 API。
- 隐私敏感型企业：需在本地完成合同、报告等敏感文件的结构化处理。
常规风险
- 内存溢出风险：未分页处理大型 PDF（数百页）可能导致系统内存耗尽。
- 路径注入风险：
file_path与output_dir参数未显示校验，需确保调用方传入可信绝对路径。 - 依赖供应链风险：MinerU 依赖 PyTorch、Transformers 等重型库，存在间接依赖漏洞可能。
- 模型偏见风险：OCR 与版面分析模型对非拉丁语系、特殊符号的训练数据覆盖可能不均。