# MinerU – OpenDataLab推出的开源智能数据提取工具

- Link: https://paooo.com/aigc-news/27669/
- Published: 2026-07-19T22:18:29+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 支持复杂多模态PDF一键转Markdown，保留标题、段落、列表等结构，便于后续分析与编辑。
 * 集成布局检测、OCR、公式识别与后处理管线，可将数学公式转换为LaTeX并清理页眉页脚
   等干扰元素。
 * 兼容Windows/Linux/Mac，支持CPU和GPU，适用于学术、法律、技术文档与知识库构建等
   场景。

## MinerU是什么

MinerU是上海人工智能实验室OpenDataLab团队推出的开源智能数据提取工具，专注于复杂PDF
文档的高效解析与提取。MinerU能将包含图片、公式、表格等元素的多模态PDF文档转化为易
于分析的Markdown格式，支持从网页和电子书中提取内容，提高AI语料准备效率。MinerU具备
高精度的PDF模型解析工具链，支持多种输入模型，自动识别乱码，保留文档结构，转换公式
为LaTex，适用于学术、财务、法律等多个领域，支持CPU和GPU，兼容Windows/Linux/Mac平台，
性能卓越。

阅读目录

 * [MinerU是什么](https://paooo.com/aigc-news/27669/#mineru%e6%98%af%e4%bb%80%e4%b9%88)
 * [MinerU的主要功能](https://paooo.com/aigc-news/27669/#mineru%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [MinerU的技术原理](https://paooo.com/aigc-news/27669/#mineru%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [MinerU的项目地址](https://paooo.com/aigc-news/27669/#mineru%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [MinerU的应用场景](https://paooo.com/aigc-news/27669/#mineru%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![MinerU](https://paooo.com/wp-content/uploads/2026/07/MinerU-website-1.avif)

## MinerU的主要功能

 * **PDF到Markdown转换**：将包含多种内容类型的PDF文档转换为结构化的Markdown格式，
   便于进一步的编辑和分析。
 * **多模态内容处理**：能识别和处理PDF中的图像、公式、表格和文本等多种内容。
 * **结构和格式保留**：在转换过程中，保留原始文档的结构和格式，如标题、段落和列表。
 * **公式识别与转换**：特别针对数学公式，能识别并转换成LaTeX格式，方便学术交流和
   技术文档使用。
 * **干扰元素去除**：自动删除页眉、页脚、脚注和页码等非内容元素，净化文档信息。
 * **乱码识别与处理**：自动识别并纠正PDF文档中的乱码，提高信息提取的准确性。
 * **高质量解析工具链**：集成了先进的PDF解析工具，包括布局检测、公式检测和光学字符
   识别（OCR），确保提取结果的高准确度。

## MinerU的技术原理

 * **PDF文档分类预处理**：在处理PDF文档之前，MinerU首先对文档进行分类，识别其类型（
   如文本型、图层型或扫描版PDF），并进行相应的预处理，例如检测乱码和识别是否为扫描
   文档。
 * **模型解析与内容提取**：
    - **布局检测**：使用基于深度学习的模型，如LayoutLMv3，进行区域检测，识别文档
      中的图像、表格、标题和文本等不同区域。
    - **公式检测**：利用基于YOLOv8的自研模型来识别文档中的数学公式，区分行内公式
      和行间公式。
    - **公式识别**：通过自研的UniMERNet模型来识别和解析数学公式，将它们转换成LaTeX
      格式。
    - **光学字符识别（OCR）**：使用PaddleOCR等OCR技术来识别文档中的文本内容。
 * **管线处理**：将模型解析得到的数据输入到处理管线中，进行后处理，包括：
    - 确定块级别的顺序。
    - 删除无用元素。
    - 根据版面进行内容排序和拼装，以保证正文的流畅性。
    - 进行坐标修复、高iou处理、图片和表格描述合并、公式替换、图标转储、Layout排序
      等操作。
 * **多种格式输出**：处理后的文档信息可以转换为统一的中间态格式（middle-json），
   并根据需求输出为不同的格式，如Layout、Span、Markdown或Content list等。
 * **PDF提取结果质检**：使用人工标注的PDF自测评测集对整个流程进行检测，确保提取效果
   的优化。使用可视化质检工具进行人工质检与标注，反馈给模型训练，进一步提升模型能力。

![MinerU](https://paooo.com/wp-content/uploads/2026/07/MinerU-website01.avif)

## MinerU的项目地址

 * **项目官网**：[https://opendatalab.com/OpenSourceTools/Extractor/PDF](https://opendatalab.com/OpenSourceTools/Extractor/PDF)
 * **GitHub仓库**：[https://github.com/opendatalab/PDF-Extract-Kit](https://github.com/opendatalab/PDF-Extract-Kit)
 * **HuggingFace模型库**：[https://huggingface.co/wanderkid/PDF-Extract-Kit](https://huggingface.co/wanderkid/PDF-Extract-Kit)
 * **魔搭社区模型库**：[https://www.modelscope.cn/models/wanderkid/PDF-Extract-Kit](https://www.modelscope.cn/models/wanderkid/PDF-Extract-Kit)

## MinerU的应用场景

 * **学术研究**：研究人员可从学术论文和期刊中提取关键信息，包括文本、公式和图表，
   支持文献综述和数据分析。
 * **法律文档处理**：法律专业人士可用MinerU从合同、法律意见书和其他法律文件中提取
   条款和证据，提高工作效率。
 * **技术文档管理**：工程师和技术作者可从技术手册和产品文档中提取技术规格和操作步骤，
   便于知识管理和技术传播。
 * **知识管理和信息检索**：企业和组织可以用MinerU从内部文档库中提取信息，构建知识
   库，提高信息检索的效率。
 * **数据挖掘和自然语言处理（NLP）**：数据科学家和NLP研究人员可用MinerU提取的数据
   来训练和优化机器学习模型。

🧭 文中关联 [AI 工具](https://ai.paooo.com/)官网与参数卡（语宙 AI 导航）

**HuggingFace ↗**

HuggingFace：AI模型开发社区，面向大语言模型场景提供便捷实用的在线功能支持，涵盖大
模型等实用方向。

**魔搭社区 ↗**

阿里达摩院推出的AI模型社区，超过300+开源AI模型。

❓ 常见问题解答（FAQ）

MinerU适合处理哪类PDF文档？

MinerU主要面向复杂PDF和多模态文档，尤其适合包含图片、表格、公式、文本的学术论文、
法律文件、技术手册等。它能将内容提取并整理为Markdown等结构化格式，方便检索、编辑
和分析。

MinerU能把PDF公式转换成什么格式？

可以。MinerU会识别PDF中的数学公式，并将其转换为LaTeX格式，便于学术写作、技术文档
整理和后续二次编辑，同时尽量保留原文结构与排版逻辑。

MinerU支持哪些平台和运行方式？

文中提到MinerU支持CPU和GPU，兼容Windows、Linux、Mac平台。它还提供多种输出格式，如
Layout、Span、Markdown和Content list，便于按不同业务需求使用。

🔬 语宙深潜追问 · 进阶实操拆解

Markdown 转换如何保留学术结构？

要先做版面分析，再按标题层级、列表、脚注和引用关系重建文档骨架。公式、表格和图注
最好单独输出为结构化块，避免纯文本化后丢失语义，后续再接检索或知识库会更稳。

怎样评估提取工具是否可生产化？

重点看字段召回率、版面还原度、公式准确率和异常文档的鲁棒性。建议拿真实 PDF 集合做
回归测试，尤其是扫描件、双栏排版、混合语言和低清图片，这些才是最容易暴露问题的地方。

🗳️ 读者观点微投票 · 您的实战立场是？

复杂 PDF 解析，最难的是哪一步？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🔓 所属权威专题：开源大模型与端侧推理 →](https://paooo.com/topics/open-source-llm/)

 * [华中科技×金山办公发布MonkeyOCR：解析精度飙升15%，每秒0.84页，专治公式表格难题的文档AI神器](https://paooo.com/aigc-news/14965/)
 * [Umi-OCR – 免费 OCR 文字识别工具，支持截图、批量图片排版解析](https://paooo.com/aigc-news/20915/)
 * [Nanonets-OCR-s：终极文档OCR模型，支持LaTeX、签名、表格等复杂元素识别与Markdown转换](https://paooo.com/aigc-news/14671/)
 * [Versatile-OCR-Program – 开源多模态OCR工具，精准提取复杂结构化数据](https://paooo.com/aigc-news/20420/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/27669/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
