核心用法
MinerU PDF Extractor 是基于 MinerU 官方 API 的命令行工具集，提供两种 PDF 解析模式：
本地文件解析（4 步流程）：申请上传地址 → 上传文件 → 轮询结果 → 下载解压。适合处理本地存储的 PDF，单文件上限 200MB/600 页。
在线 URL 解析（2 步流程）：提交任务 → 轮询并自动下载。直接解析公开可访问的 PDF 链接（如 arXiv、机构官网），省去上传环节，效率更高。
输出包含 full.md（标准 Markdown）、提取的图片、content_list.json（结构化内容）及 layout.json（版面分析数据）。支持中英文自动识别，提供 doclayout_yolo（快）和 layoutlmv3（准）两种版面模型。
显著优点
- 专业级解析精度：基于 MinerU 开源项目，专门针对学术论文、技术文档优化，公式识别和表格还原能力突出
- 双模式灵活适配：本地文件用 4 步稳妥处理，在线文件用 2 步高效获取
- 结构化输出完整：不仅输出 Markdown，还提供 JSON 格式的内容列表和版面数据，便于二次开发
- 批量处理友好：脚本设计支持循环批量处理，配合 shell 脚本可自动化工作流
潜在缺点与局限性
- Token 依赖：必须注册 MinerU 账号获取 API Key，存在服务可用性和配额限制
- 网络依赖：本地解析也需上传至云端处理，非纯离线方案
- 无原生格式保留：输出为 Markdown，复杂排版（如多栏混排）的还原效果有限
- 轮询等待：需主动轮询查询结果，无 Webhook 回调机制
- 商业服务风险：MinerU 为商业 API，长期定价策略和稳定性需关注
适合人群
- 需要将大量学术论文、技术报告转为 Markdown 的研究者和开发者
- 构建知识库、RAG 系统的工程师，需要结构化文档数据
- 处理扫描版 PDF 并需要 OCR 文字识别的用户
- 熟悉命令行操作、能配置环境变量的技术用户
常规风险
- API 密钥泄露风险：脚本依赖
MINERU_TOKEN/MINERU_API_KEY环境变量，需避免硬编码或提交至代码仓库 - 数据隐私考量：本地文件需上传至 MinerU 服务器处理，敏感文档需谨慎评估
- 服务中断风险：依赖第三方商业 API，存在服务变更、限速或停服可能
- 网络超时问题：大文件上传和结果轮询可能因网络不稳定失败，需适当调整重试参数