MinerU Doc Parser

核心用法

MinerU 是一个命令行文档提取工具，通过 MinerU API 将 PDF、图片、网页等转换为结构化格式。提供两种主要工作模式：

1. flash-extract（免 Token 快速模式）

• 无需登录，零配置快速上手
• 支持 Markdown 单格式输出
• 限制：10MB 文件大小、20 页以内
• 适合临时使用、简单文档、快速预览

2. extract（精准提取模式）

• 需 API Token（免费注册获取）
• 支持 md/html/latex/docx/json 多格式输出
• 支持批量处理、OCR、表格/公式识别
• 更高文件尺寸和页数上限
• 提供 vlm（高精度）和 pipeline（无幻觉）两种模型

常用命令示例

# 快速提取（免 Token）
mineru-open-api flash-extract document.pdf

# 精准提取（需 Token）
mineru-open-api extract document.pdf -f md,html -o ./output/

# 网页爬取
mineru-open-api crawl https://example.com/article

# 批量处理
mineru-open-api extract *.pdf -o ./results/

显著优点

1. 双模式设计：免 Token 快速模式降低使用门槛，精准模式满足生产需求
2. 多格式支持：原生支持学术常用的 LaTeX、DOCX 及结构化 JSON
3. 智能识别：内置表格、公式、OCR 能力，无需额外工具链
4. 批量与管道支持：适合自动化工作流和大规模文档处理
5. 中文优化：默认中文语言包，支持 60+ 种语言识别
6. 模型可选：vlm 模式适合复杂排版，pipeline 模式保证零幻觉

潜在局限

1. 云端依赖：必须联网调用 MinerU API，无法离线使用
2. Token 门槛：高级功能需注册获取 API Token，有一定上手成本
3. 文件限制：免费模式限制严格（10MB/20页），大文档需付费或分片
4. 格式损失：极复杂排版（如杂志、海报）转换效果可能不理想
5. hallucination 风险：vlm 模式在罕见场景下可能产生幻觉文本

适合人群

• 研究人员：快速提取论文 PDF 为 Markdown/LaTeX 用于笔记整理
• 开发者：构建文档处理流水线，批量转换技术文档
• 内容运营：网页内容爬取与结构化存档
• 知识管理用户：将本地文档库转为可检索的 Markdown 格式

常规风险

• API 服务可用性：依赖第三方服务，存在服务中断或限速风险
• 数据隐私敏感：文档内容需上传至云端处理，机密文件需谨慎
• Token 管理：Token 泄露可能导致配额被盗用，建议定期轮换
• 输出质量波动：扫描件、手写体、复杂表格的识别准确率因文档而异

核心用法

MinerU 提供两种提取模式：`flash-extract`（免 Token 快速模式）和 `extract`（精准模式）。

快速上手：无需注册，直接运行 mineru-open-api flash-extract <file> 即可将 PDF、图片或简单文档转换为 Markdown，单次限制 10MB/20页，适合临时使用。

精准提取：通过 mineru-open-api auth 配置 Token 后，使用 extract 命令解锁完整功能：

• 多格式输出：Markdown、HTML、LaTeX、DOCX、JSON
• 高级识别：表格提取、公式渲染（LaTeX）、OCR 扫描件识别
• 批量处理：支持通配符 *.pdf 或 --list 文件列表批量转换
• 网页抓取：crawl 命令将任意网页转为结构化 Markdown
• 模型选择：--model vlm 适合复杂布局学术文档，--model pipeline 保证零幻觉

典型工作流：小文件直接 flash-extract → 大文件/复杂需求申请 Token → 批量场景用 extract --list → 网页内容用 crawl。

显著优点

1. 零门槛体验：flash-extract 免登录、免配置，5 秒上手，降低初次使用成本。

2. 格式覆盖全面：从 PDF/图片到 Markdown/HTML/LaTeX/DOCX 全链路转换，满足学术写作、网页归档、内容迁移等多场景。

3. 专业文档解析：针对学术论文优化，支持公式 LaTeX 还原、复杂表格结构保留，OCR 识别扫描件中的文字与排版。

4. 灵活的部署选项：官方提供云端 API（本 Skill 默认）和本地部署版本，敏感数据可私有化处理。

5. 批量与管道友好：支持 shell 管道 cat doc.pdf | mineru-open-api extract --stdin，便于脚本集成和自动化工作流。

潜在缺点与局限性

1. 云端依赖与隐私顾虑：extract/crawl 需上传文档至 mineru.net 云端处理，敏感文档存在数据出境风险，需自行评估合规性。

2. 功能分层限制：免登录模式仅支持 Markdown 输出、10MB/20页上限，大文档或需要多格式输出时必须申请 Token。

3. Token 管理成本：生产环境需维护 API Token，存在配置持久化（~/.mineru/config.yaml）和权限管理问题。

4. 模型选择权衡：vlm 模型虽精度更高但存在极低概率的幻觉风险；pipeline 模型保守但可能丢失复杂排版细节。

5. 网络与速率限制：企业 NAT 环境下 flash-extract 的 IP 限频容易触发；大文件处理依赖稳定网络，超时需手动调整。

适合的目标群体

• 学术研究者：快速提取 PDF 论文内容、转换 LaTeX 公式、整理文献笔记
• 内容创作者：将网页、PDF 资料转为 Markdown 用于博客、知识库建设
• 开发者/自动化工程师：集成文档处理流水线，批量转换企业文档库
• 知识管理用户：构建个人/团队文档中心，统一多源资料格式
• 轻度用户：临时需要"PDF 转文字"，不愿注册复杂服务

使用风险

• 数据隐私风险：云端处理模式下，文档内容上传至第三方服务器，敏感信息可能面临泄露或合规审计问题；建议机密文档使用本地部署版本。
• 可用性风险：flash-extract 的 IP 限频在企业/公共网络环境下易触发；API Token 过期或配额耗尽将导致服务中断。
• 供应链风险：依赖外部 mineru-open-api CLI 二进制，需保持更新以获取安全补丁；npm/Go 包源虽可信但仍需防范供应链攻击。
• 提取质量波动：扫描件 OCR 准确率受图像质量影响；复杂版式文档可能出现结构错乱，需人工校验关键内容。
• 凭证安全：Token 本地存储需确保 ~/.mineru/ 目录权限正确（0700），避免多用户环境泄露。