opendatalab/MinerU

MinerU — 面向 LLM · RAG · Agent 工作流的高精度文档解析引擎

将 PDF · Word · PPT · 图片 · 网页转换为结构化 Markdown / JSON · VLM+OCR 双引擎 · 109 种语言
MCP Server · LangChain / Dify / FastGPT 原生集成 · 10+ 款国产 AI 芯片支持 **🔍 核心解析能力** - 公式 → LaTeX · 表格 → HTML，精准布局重建 - 支持扫描文档、手写体、多栏布局、跨页表格合并 - 输出遵循人类阅读顺序，自动去除页眉页脚 - VLM + OCR 双引擎，109 种语言 OCR 识别 **🔌 集成方案** | 使用场景 | 解决方案 | |----------|----------| | AI 编程工具 | MCP Server — Cursor · Claude Desktop · Windsurf | | RAG 框架 | LangChain · LlamaIndex · RAGFlow · RAG-Anything · Flowise · Dify · FastGPT | | 开发使用 | Python / Go / TypeScript SDK · CLI · REST API · Docker | | 无代码 | mineru.net 在线版 · Gradio WebUI · 桌面客户端 | **🖥️ 部署方案（私有 · 完全离线）** | 推理后端 | 适用场景 | |------------------|---------| | pipeline | 快速稳定，无幻觉，支持 CPU 或 GPU 运行 | | vlm-engine | 高精度，支持 vLLM / LMDeploy / mlx 生态 | | vlm-engine | 高精度，原生文本提取，低幻觉 | 国产 AI 芯片：Ascend · Cambricon · Enflame · MetaX · Moore Threads · Kunlunxin · Iluvatar · Hygon · Biren · T-Head

# 更新日志 - 2026/03/29 3.0.0 版本发布 本次更新带来了围绕**解析能力、系统架构和工程可用性**的系统性升级。主要更新包括： - 原生 `DOCX` 解析 - 正式支持原生 `DOCX` 解析，提供高精度、无幻觉的解析结果。 - 与传统的先将 `DOCX` 转换为 PDF 再解析的工作流相比，端到端速度提升数十倍，更适合对精度和吞吐量都有较高要求的场景。 - `pipeline` 后端升级 - `pipeline` 后端在 OmniDocBench (v1.5) 上取得了 `86.2` 的分数，超越了上一代主流 VLM `MinerU2.0-2505-0.9B` 的精度。 - 新增表格内图片/公式解析、印章文字识别、竖排文字支持、行间公式编号识别等功能，持续提升复杂文档场景的解析质量。 - 在保持高精度的同时，资源消耗极低，继续支持纯 CPU 环境推理。 - `API / CLI / Router` 编排升级 - `mineru` 现在是基于 `mineru-api` 的编排客户端；当未提供 `--api-url` 时，它会自动启动本地临时服务。 - `mineru-api` 新增异步任务端点 `POST /tasks`，支持任务提交、状态查询和结果获取；同时保留同步解析端点 `POST /file_parse` 以兼容旧版插件。 - 新增 `mineru-router`，专为多服务、多 GPU 的统一入口部署和任务路由而设计；其接口与 `mineru-api` 完全兼容，支持自动任务负载均衡。 - 部署和可用性改进 - 解决了与 `torch >= 2.8` 的兼容性问题；基础镜像已升级至 `vllm0.11.2 + torch2.9.0`，统一了不同计算能力的安装路径。 - 优化了解析流水线，引入滑动窗口机制，显著降低了长文档场景下的峰值内存占用，使得数万页的文档不再需要手动拆分。 - `pipeline` 的批量推理现在支持流式写入磁盘，能够及时写出已完成的解析结果，进一步提升了长时间运行任务的体验。 - 完成线程安全优化，现在全面支持多线程并发推理；结合 `mineru-router`，可实现一键多 GPU 部署，轻松构建高并发、高吞吐解析系统。 - 完全移除了两个 AGPLv3 模型（`doclayoutyolo` 和 `mfd_yolov8`）和一个 CC-BY-NC-SA 4.0 模型（`layoutreader`）的使用。 本次更新不仅仅是一系列功能增强，更是 MinerU 整体系统能力的关键跃升。我们特别针对长文档解析的峰值内存占用问题进行了优化。通过滑动窗口和流式写入磁盘等优化，超长文档解析已从“需要手动拆分和谨慎处理”转变为“稳定、可扩展、可投入生产”。同时，我们完成了线程安全优化，全面开启了多线程并发推理，进一步提升了单机资源利用率和高并发工作负载下的运行时稳定性。在此基础上，配合 `mineru-router` 和新的 `API / CLI` 编排框架，MinerU 现在支持一键多 GPU 部署、多服务统一接入和自动任务负载均衡，大幅降低了大规模部署的难度。由此，MinerU 正从独立的数据生产工具演变为面向高并发、高吞吐场景的大规模文档解析基础设施，为企业提供更稳定、更高效、更易扩展的企业级文档数据处理能力。 # MinerU ## 项目介绍 MinerU 是一款文档解析工具，可将 `PDF`、图片和 `DOCX` 输入转换为 Markdown 和 JSON 等机器可读格式，用于下游的检索、提取和处理。 MinerU 诞生于 [InternLM](https://github.com/InternLM/InternLM) 的预训练过程中。我们专注于解决科技文献中的符号转换问题，希望为大型模型时代的技术发展做出贡献。 与知名商业产品相比，MinerU 仍处于起步阶段。如果您遇到任何问题或结果不符合预期，请在 [issue](https://github.com/opendatalab/MinerU/issues) 上问题，并**附上相关文档或样本文件**。 https://github.com/user-attachments/assets/4bea02c9-6d54-4cd6-97ed-dff14340982c ## 核心功能 - 支持 `PDF`、图片和 `DOCX` 输入。 - 去除页眉、页脚、脚注、页码等，确保语义连贯。 - 按人类阅读顺序输出文本，适用于单栏、多栏和复杂布局。 - 保留原始文档的结构，包括标题、段落、列表等。 - 提取图片、图片描述、表格、表格标题和脚注。 - 自动识别并转换文档中的公式为 LaTeX 格式。 - 自动识别并转换文档中的表格为 HTML 格式。 - 自动检测扫描 PDF 和乱码 PDF 并启用 OCR 功能。 - OCR 支持 109 种语言的检测和识别。 - 支持多种输出格式，如多模态和 NLP Markdown、按阅读顺序排序的 JSON 以及丰富的中间格式。 - 支持多种可视化结果，包括布局可视化和跨度可视化，可高效确认输出质量。 - 内置 CLI、FastAPI、Gradio WebUI，支持本地编排和多服务部署。 - 支持纯 CPU 环境运行，也支持 GPU(CUDA)/NPU(CANN)/MPS 加速 - 兼容 Windows、Linux 和 Mac 平台。 # 快速开始 如果遇到任何安装问题，请先查阅 常见问题。
如果解析结果不符合预期，请参考 已知问题。
## 在线体验 ### 官方在线网页应用 官方在线版本功能与客户端相同，界面美观，功能丰富，需要登录使用 - [](https://mineru.net/OpenSourceTools/Extractor?source=github) ### 基于 Gradio 的在线演示 基于 Gradio 开发的 WebUI，界面简洁，仅包含核心解析功能，无需登录 - [](https://www.modelscope.cn/studios/OpenDataLab/MinerU) - [](https://huggingface.co/spaces/opendatalab/MinerU) ## 本地部署

解析后端	pipeline	*-auto-engine		*-http-client
		hybrid	vlm	hybrid	vlm
后端特性	兼容性好	硬件要求高		适用于 OpenAI 兼容服务器2
精度1	86+	90+
操作系统	Linux3 / Windows4 / macOS5
纯 CPU 支持	✅	❌		✅
GPU 加速	Volta 及以后架构 GPU 或 Apple Silicon				不需要
最小显存	4GB	8GB	8GB	2GB
内存	最小 16GB，推荐 32GB 或以上			最小 16GB
磁盘空间	最小 20GB，推荐 SSD			最小 2GB
Python 版本	3.10-3.13

¹ 精度指标为 OmniDocBench (v1.5) 的端到端评估综合分数，基于最新版本的 `MinerU`。 ² 与 OpenAI API 兼容的服务器，如通过 `vLLM`/`SGLang`/`LMDeploy` 等推理框架部署的本地模型服务器或远程模型服务。 ³ Linux 仅支持 2019 年及以后发布的发行版。 ⁴ 由于关键依赖 `ray` 在 Windows 上不支持 Python 3.13，因此仅支持 3.10~3.12 版本。 ⁵ macOS 需要 14.0 或更高版本。 ### 安装 MinerU #### 使用 pip 或 uv 安装 MinerU ``` pip install --upgrade pip pip install uv uv pip install -U "mineru[all]" ``` #### 从源码安装 MinerU ``` git clone https://github.com/opendatalab/MinerU.git cd MinerU uv pip install -e .[all] ``` #### 使用 Docker 部署 MinerU MinerU 提供了便捷的 Docker 部署方式，可快速搭建环境并解决一些棘手的环境兼容问题。 您可以在文档中获取 [Docker 部署说明](https://opendatalab.github.io/MinerU/quick_start/docker_deployment/)。 ### 使用 MinerU 如果您的设备满足上表中 GPU 加速的要求，可以使用简单的命令行进行文档解析： ``` mineru -p -o ``` 如果您的设备不满足 GPU 加速要求，可以指定后端为 `pipeline` 在纯 CPU 环境下运行： ``` mineru -p -o -b pipeline ``` `mineru` 目前支持本地 `PDF`、图片和 `DOCX` 文件或目录输入，可通过 CLI、API、WebUI 和 `mineru-router` 进行文档解析。详细说明请参阅[使用指南](https://opendatalab.github.io/MinerU/usage/)。 # 待办事项 - [x] 基于模型的阅读顺序 - [x] 识别正文中的 `index` 和 `list` - [x] 表格识别 - [x] 标题分类 - [x] 手写体识别 - [x] 竖排文字识别 - [x] 拉丁重音符号识别 - [x] 正文中的代码块识别 - [x] [化学公式识别](docs/chemical_knowledge_introduction/introduction.pdf)（mineru.net） - [ ] 几何形状识别 # 已知问题 - 阅读顺序由模型根据可读内容的空间分布确定，在某些极端复杂布局的区域可能出现顺序错乱。 - 对竖排文字的支持有限。 - 目录和列表通过规则识别，某些不常见的列表格式可能无法识别。 - 布局模型尚不支持代码块。 - 漫画、艺术画册、小学教材和习题无法很好地解析。 - 表格识别在复杂表格中可能出现行/列识别错误。 - OCR 识别在较小众语言的 PDF 中可能出现字符不准确的情况（如拉丁语系的变音符号、阿拉伯语系中易混淆的字符）。 - 部分公式在 Markdown 中可能无法正确渲染。 # 常见问题 - 如果在使用过程中遇到任何问题，您可以先查阅[常见问题](https://opendatalab.github.io/MinerU/faq/)寻找解决方案。 - 如果问题仍未解决，您也可以使用 [DeepWiki](https://deepwiki.com/opendatalab/MinerU) 与 AI 助手交互，它能解决大多数常见问题。 - 如果仍然无法解决问题，欢迎通过 [Discord](https://discord.gg/Tdedn9GTXq) 或[微信](https://mineru.net/community-portal/?aliasId=3c430f94) 加入我们的社区，与其他用户和开发者讨论。 # 许可证信息 [LICENSE.md](LICENSE.md) 本仓库的源代码采用 AGPLv3 许可证。 # 致谢 - [UniMERNet](https://github.com/opendatalab/UniMERNet) - [TableStructureRec](https://github.com/RapidAI/TableStructureRec) - [PaddleOCR](https://github.com/PaddlePaddle/PaddleOCR) - [PaddleOCR2Pytorch](https://github.com/frotms/PaddleOCR2Pytorch) - [fast-langdetect](https://github.com/LlmKira/fast-langdetect) - [pypdfium2https://github.com/pypdfium2-team/pypdfium2) - [pdftext](https://github.com/datalab-to/pdftext) - [pdfminer.six](https://github.com/pdfminer/pdfminer.six) - [pypdf](https://github.com/py-pdf/pypdf) - [magika](https://github.com/google/magika) - [vLLM](https://github.com/vllm-project/vllm) - [LMDeploy](https://github.com/InternLM/lmdeploy) # 引用 ``` @article{dong2026minerudiffusion, title={MinerU-Diffusion: Rethinking Document OCR as Inverse Rendering via Diffusion Decoding}, author={Dong, Hejun and Niu, Junbo and Wang, Bin and Zeng, Weijun and Zhang, Wentao and He, Conghui}, journal={arXiv preprint arXiv:2603.22458}, year={2026} } @article{niu2025mineru2, title={Mineru2. 5: A decoupled vision-language model for efficient high-resolution document parsing}, author={Niu, Junbo and Liu, Zheng and Gu, Zhuangcheng and Wang, Bin and Ouyang, Linke and Zhao, Zhiyuan and Chu, Tao and He, Tianyao and Wu, Fan and Zhang, Qintong and others}, journal={arXiv preprint arXiv:2509.22186}, year={2025} } @article{wang2024mineru, title={Mineru: An open-source solution for precise document content extraction}, author={Wang, Bin and Xu, Chao and Zhao, Xiaomeng and Ouyang, Linke and Wu, Fan and Zhao, Zhiyuan and Xu, Rui and Liu, Kaiwen and Qu, Yuan and Shang, Fukai and others}, journal={arXiv preprint arXiv:2409.18839}, year={2024} } @article{he2024opendatalab, title={Opendatalab: Empowering general artificial intelligence with open datasets}, author={He, Conghui and Li, Wei and Jin, Zhenjiang and Xu, Chao and Wang, Bin and Lin, Dahua}, journal={arXiv preprint arXiv:2407.13773}, year={2024} } ``` # Star 历史 # 相关链接 - [MinerU-Diffusion: Rethinking Document OCR as Inverse Rendering via Diffusion Decoding](https://github.com/opendatalab/MinerU-Diffusion) - [Easy Data Preparation with latest LLMs-based Operators and Pipelines](https://github.com/OpenDCAI/DataFlow) - [Vis3 (基于 s3 的开源浏览器)](https://github.com/opendatalab/Vis3) - [LabelU (轻量级多模态数据标注工具)](https://github.com/opendatalab/labelU) - [LabelLLM (开源 LLM 对话标注平台)](https://github.com/opendatalab/LabelLLM) - [PDF-Extract-Kit (高质量 PDF 内容提取综合工具包)](https://github.com/opendatalab/PDF-Extract-Kit) - [OmniDocBench (文档解析与评估综合基准)](https://github.com/opendatalab/OmniDocBench) - [Magic-HTML (混合网页提取工具)](https://github.com/opendatalab/magic-html) - [Magic-Doc (快速 ppt/pptx/doc/docx/pdf 提取工具)](https://github.com/InternLM/magic-doc) - [Dingo: 综合 AI 数据质量评估工具](https://github.com/MigoXLab/dingo)

标签：Agent, AIGC, DLL 劫持, JSON, LLM, Markdown, OCR, PDF解析, PDF转换, Python, RAG, Ruby, Unmanaged PE, 人工智能, 凭据扫描, 大语言模型, 工作流, 数据提取, 文本识别, 文档处理, 文档提取, 无后门, 深度学习, 用户模式Hook绕过, 知识库, 结构化数据, 请求拦截, 逆向工具