MinerU — Extract LLM-Ready Data from Any Document

简介

MinerU 是 OpenDataLab 开源的文档提取工具，拥有 57,900+ GitHub stars，专为将复杂文档转换成 LLM 可用格式而设计。支持 PDF、扫描件和多栏布局，高保真保留表格、公式、图片和阅读顺序。输出为干净的 Markdown 或结构化 JSON，可直接用于 RAG 管线、微调数据集或 LLM 消费。

适用于：GPT-4、Claude、Gemini、Llama 等任何 LLM，以及 LangChain、LlamaIndex 等 RAG 框架。适合构建文档密集型 AI 应用的团队。

核心功能

布局感知解析

使用深度学习模型（LayoutLMv3）检测标题、段落、表格、图片和公式。

表格提取

将表格转换为 Markdown、HTML 或 LaTeX，支持合并单元格。

公式识别

使用 UniMERNet 将数学公式转换为 LaTeX 表示。

OCR 集成

PaddleOCR 支持 80+ 语言，Tesseract 作为后备方案。

批量处理

支持并发处理数百个 PDF 文件。