核心用法
该技能提供两个核心工具：pdf_to_markdown 和 pdf_to_json，基于开源的 MinerU 引擎实现 PDF 文档的智能解析。
pdf_to_markdown 将 PDF 转换为 Markdown 格式，保留文档结构层级、数学公式（LaTeX 格式）、表格及图像，输出包含完整内容、图片路径、表格信息和公式统计的 JSON 结构。适合知识库构建、内容再发布和版本控制场景。
pdf_to_json 提供更细粒度的结构化输出，包含页面尺寸、文本块类型与坐标（bbox）、图像/表格/公式数组及文档元数据（作者、标题等），适合下游程序化处理和版面分析任务。
关键参数配置
- backend：三种引擎可选
hybrid-auto-engine（默认）：精度与速度平衡pipeline：纯 CPU 运行，兼容性最佳vlm-auto-engine：最高精度，需 GPU- language：109 种语言 OCR 支持，默认自动检测
- 页面范围：支持
start_page/end_page分页处理，缓解内存压力
显著优点
1. 结构还原能力强：专为学术论文和技术文档优化，公式识别和表格提取效果优于通用 OCR 工具
2. 本地部署：数据不出本地，满足隐私合规要求
3. 多格式输出：Markdown 适合人阅读，JSON 适合机器处理
4. 多语言支持：覆盖 109 种语言，包括中英文混排场景
5. 开源可控：基于 MinerU 开源项目，可审计、可定制
潜在缺点与局限性
1. 硬件门槛高：推荐 32GB+ 内存，VLM 后端需 NVIDIA GPU 或 Apple Silicon
2. 安装复杂：依赖 Python 3.10-3.13，Windows 受限（不支持 3.13），依赖冲突常见
3. 处理速度：大文档或扫描件解析较慢，CPU 环境下性能明显下降
4. 路径限制：强制要求绝对路径，增加调用复杂度
5. 错误恢复：安装失败、内存不足等问题需要手动排查后端配置
适合人群
- 科研人员：批量提取论文公式、表格、图表
- 知识库工程师：构建可检索的结构化文档库
- 技术写作者：将 PDF 技术文档转为 Markdown 维护
- 企业合规团队：需在本地处理敏感文档的场景
常规风险
1. 资源耗尽风险：未分页处理大 PDF 可能导致内存溢出或系统卡顿
2. OCR 误识别：复杂排版、手写体、低质量扫描件识别率下降
3. 依赖维护：MinerU 版本更新可能引入 API 变更，需持续跟进
4. GPU 依赖陷阱：vlm-auto-engine 在无 GPU 环境直接报错，需提前确认硬件
安全与来源评估
- 来源可信度 T2：MinerU 为 OpenDataLab 开源项目，GitHub 社区活跃，文档完善，属知名学术数据处理机构背书
- 安全等级 A：纯本地执行，无网络传输；但需警惕 PDF 本身可能携带的恶意载荷（如通过图像解析触发的漏洞），建议沙箱环境预处理