你花了一整个下午，从 PDF 里复制表格。
粘贴到 Excel。乱了。再复制一次。格式飞了。公式变成了乱码。图片不见了。
如果有 200 页。或者 500 份文档，那你要怎么处理？
这就是 MinerU 要干掉的事。
一个曼哈顿律师收到 500 页合同，每条都需要可搜索——手动处理，一周。芝加哥会计收到 200 份扫描发票，每个数字都得进表格——四天。斯坦福研究员有 50 篇论文，表格公式图表全锁在 PDF 里——两周。
他们都在为复制粘贴浪费生命。
然后他们遇到了 MinerU。律师：4 分钟。会计：12 分钟。研究员：一个周日下午写完文献综述。
这工具哪来的
MinerU 是上海人工智能实验室 OpenDataLab 团队的作品。
起初，他们只是需要从海量科学文档中提取干净文本，用来训练大语言模型。市面上的工具全都不行——要么丢表格，要么吞公式，要么在扫描件面前直接摆烂。他们干脆自己造了一个。然后开源了。
现在这个项目在 GitHub 上拿了69,000 多颗星，5800+fork，4 篇 arXiv 技术报告，从 v1.0 一路迭代到 v3.4——最近一次更新是 2026 年 6 月 18 日，OCR 引擎刚升级到 PP-OCRv6，识别精度又涨了 11%，速度翻了一倍。
重点：这是一个用"训练大模型"的标准来要求自己的文档解析工具——精度和速度是它的第一性原理，不是附加卖点。
它到底能做什么
一句话：把任何文档变成 AI 能读的数据。
输入什么？PDF、Word、PPT、Excel、图片、网页 URL，随便给。
输出什么？干净的 Markdown、JSON、LaTeX。表格自动变 HTML，公式自动变 LaTeX，图片自动提取并配上描述。
说几个别的工具搞不定的：
多栏排版。PDF 里那种学术论文常见的双栏布局，普通工具从左到右横跨两栏一顿乱读。MinerU 在一栏内从上到下读完，再跳下一栏——跟人眼一样。这对 RAG 应用来说，是天壤之别。
跨页表格。一份表格跨了三页？MinerU 能把它们拼回来。合并单元格、多行标题，全部保留。
扫描件 OCR。把 1995 年打印页面的照片扔进去，出来的是干净文本。109 种语言，手写体也能认。
万页文档。滑动窗口处理，内存峰值可控。一万页的 PDF 不用手动拆。
批量模式。指向一个装了 500 份文档的文件夹，然后去喝咖啡。
OmniDocBench v1.6 评测上，MinerU 的 hybrid 引擎综合精度到了95.39 分。pipeline 引擎（CPU 也能跑）也拿了 86.47 分。跟同行比是什么水平？Adobe Acrobat Pro 收你 239.88 美元一年，表格照样丢。ABBYY FineReader 165 美元一年，公式还是不行。Mistral OCR 每 1000 页收你 2 美元，账单永不停。
MinerU：0 美元。数据不出你的电脑。
三步跑起来
先说最简单的路径。
第一步：安装
打开终端，一行命令：
uv pip install -U "mineru[all]" -i https://mirrors.aliyun.com/pypi/simple
这行的目的是把 MinerU 和它所有依赖一次性装好。用了阿里云镜像，国内用户不用折腾网络。
需要 Python 3.10-3.13。Windows 用户注意——Python 3.13 暂时不行（ray 还没适配），用 3.10-3.12。
这里最容易出错：Windows 上的 CUDA 加速配置。如果装完 GPU 跑不起来，去官方 FAQ 搜 "Windows CUDA acceleration"——那页写得很清楚。
第二步：跑第一份文档
装好之后，只需要知道一个命令：
mineru -p <你的文件或文件夹路径> -o <输出目录>
这步在做的事：mineru 会自动下载需要的模型文件（第一次用的时候），然后解析你给的所有文档。模型文件存在本地，下次直接用，不重复下载。
如果下载模型时卡住了（懂的都懂，HuggingFace），先设一下环境变量：
export MINERU_MODEL_SOURCE=modelscope
这会切到 ModelScope 去下载，国内用户秒下。
第三步：确认结果
打开输出目录，你会看到 Markdown 文件。打开看看——表格在，公式在，段落顺序对，图片也提出来了。
配好之后，每次使用只需做一件事：敲mineru -p <文件> -o <输出>。
想折腾的话，官方还提供了 Docker 部署和源码安装两种方式——跑通了再考虑。
装好了，怎么用
日常最常用的就这几个：
mineru 命令行：单文件或批量，一行搞定。这是最常用的姿势。
mineru -p ./contracts/ -o ./output/
-b 参数选引擎：pipeline 引擎 CPU 也能跑，速度快、零幻觉，日常用最稳。hybrid 引擎精度最高但需要 GPU。
mineru -p doc.pdf -o ./out -b pipeline
Python SDK：五行代码嵌入你的脚本。适合需要自动化的场景。
from mineru import MinerUparser = MinerU(backend="pipeline")result = parser.parse("document.pdf")result.save_markdown("./output/")
Web 界面：去 mineru.net，上传、点击、下载。连安装都不用。
重点：新手无脑用 pipeline 引擎+mineru命令。先跑通，再折腾。
目前 MinerU 已经可以接入 Claude Desktop、Cursor、Windsurf、LangChain、LlamaIndex、RAGFlow、Dify、FastGPT——把你的文档直接喂给 AI Agent。还支持 MCP 协议，可以在 Claude Code 里直接调用。
MinerU 真正适合的人是那些每周跟文档打交道、复制粘贴复制粘贴、已经忍了很久的人。你给它一堆乱七八糟的 PDF/Word/PPT/扫描件，它给你干净的结构化文本。它不是玩具，是产线工具。
参考链接：[1] MinerU GitHub：https://github.com/opendatalab/MinerU[2] MinerU 官网：https://mineru.net/
点赞、转发、小心心❤️如果你也在跟 PDF 表格搏斗过，评论区说说你的血泪史——
— 完 —
免责与版权声明：本文资讯及观点仅供技术交流参考。文中引用图片均源于网络公开渠道（如官方博客、社交平台等），著作权归原作者所有。本文旨在分享与评述技术进展，符合“合理使用”原则。如相关图片/内容涉及版权侵权，请联系我们（留言或私信），我们将核实后立即删除。
