MinerU 多语言文档解析指南109 种语言的 PDF 一键转 Markdown【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerUMinerU 是一个文档解析工具把 PDF、DOCX、PPTX、XLSX 和图片转成大模型能直接读的 Markdown 和 JSON。当前版本把 OCR 管线升到 PP-OCRv6支持 109 种语言的检测与识别扫描件、手写体、多栏排版都能处理输出按人类阅读顺序排列。 能力全景MinerU 能做什么一句话概括MinerU 帮你把垃圾文档变成 LLM-ready 的结构化数据大模型可直接检索、抽取的 Markdown/JSON。具体能力有 6 项全格式转 MarkdownPDF、图片、DOCX、PPTX、XLSX 统一输入一次命令全搞定复杂版面还原标题、段落、列表结构保留跨页表格自动合并跨页的表格在输出里拼回一张公式和表格专门处理公式转 LaTeX表格转 HTML不是简单糊一层文本多语言 OCRPP-OCRv6 识别模型支持 109 种语言扫描件、乱码 PDF 自动切换 OCR 模式算力门槛低pipeline 后端纯 CPU 能跑vlm/hybrid 后端支持 GPU 和昇腾、寒武纪等 10 多款国产加速卡接入方式多CLI 命令行、FastAPI 服务、Gradio WebUI、MCP Server 都内置 三分钟上手装完就能跑pip 一行装好安装只需一条命令mineru[all]包含全部核心功能兼容 Windows / Linux / macOSuv pip install -U mineru[all]一条命令解析 PDF装完直接解析首次运行会自动下载模型文件跑过一次就有本地缓存mineru -p demo/pdfs/demo1.pdf -o output/跑完在output/下能看到 Markdown 和图片文件。没有 GPU 的机器加一个-b pipeline走纯 CPU 管线速度稍慢但不用折腾显卡mineru -p demo/pdfs/demo1.pdf -o output/ -b pipeline官方仓库的demo/目录自带样例文件想走 API 方式可以直接看 demo 脚本。⚙️ 进阶调优语言参数和解析强度怎么设-l 参数指定语言族OCR 更准-l只对 pipeline 后端的 OCR 生效hybrid 和 vlm 后端会忽略它。取值一共 12 个语言族ch、korean、ta、te、ka、th、el、arabic、east_slavic、cyrillic、devanagari等。关键点是ch覆盖面最广包含中文、英文、日文、繁体中文和拉丁文。西里尔语族的cyrillic一个参数就能覆盖俄语、哈萨克语等 30 多种文字devanagari则覆盖印地语、僧伽罗文系等。不确定时选ch确定语族时选专属项识别字典识别模型用的字符词表匹配更准mineru -p manual.pdf -o output/ -b pipeline -l arabic--effortmedium 还是 highhybrid 后端默认effortmedium综合精度只比 high 低 0.13 分速度却快 35%~220%。只有需要图片/图表分析输出里带图表的文字描述时才必须切highmedium 档不支持这个功能mineru -p report.pdf -o output/ -b hybrid-engine --effort high参数全表见 CLI 工具说明。 实测数据3.4 版本升级对比以下数据来自官方更新记录OmniDocBench 评测口径不是咱们自己跑的指标基线MinerU 3.4变化幅度OCR 相关指标OmniDocBench v1.6PP-OCRv53.3 及以前PP-OCRv6提升约 11%OCR 处理速度3.3 及以前版本3.4 推理链路优化后提升约 100%Hybrid 解析速度Linux 文本 PDFefforthigheffortmedium提升约 80%Hybrid 综合精度medium 档high 档 95.39medium 档 95.26仅降 0.13pipeline 后端精度OmniDocBench v1.5上一代 VLM MinerU2.0-0.9Bpipeline 后端 86.47纯规则管线反超 VLM最后一行值得注意不用 GPU 的 pipeline 后端精度已经超过上一代主流 VLMCPU 机器完全能上生产。⚠️ 避坑清单四个高频踩坑点首次运行卡在下载模型→ 默认走 HuggingFace 源国内网络直连困难 →export MINERU_MODEL_SOURCEmodelscope切到国内镜像没有 GPU命令跑几分钟或报错→ vlm/hybrid 后端要求 GPU最低 4~8GB 显存默认后端没降级 → 加-b pipeline走纯 CPU外语扫描件识别一堆乱码→ 没指定语言参数字典选错了 → 加-l指定语言族如阿拉伯文-l arabic图表没输出文字描述→ medium 档不带 image analysis 功能 → 换--effort high代价是解析变慢Windows 装完 CUDA 不生效→ ray 依赖不支持 Python 3.13 → 换 Python 3.10~3.12细节看 FAQ输出文件结构Markdown、JSON、中间格式各是什么在 输出文件说明 里写得最清楚第一次跑完建议对照看一下。 落地场景两类典型用户搭 RAG 知识库的开发者手头一堆外文论文和产品手册喂大模型之前全是扫描件。用 MinerU 批量转成 Markdown 再进 Dify、FastGPT 这类框架-l指定语言族保证 OCR 质量省掉整条手动转文档的链路。企业文档归档岗几百份扫描版合同、多语言操作手册要入库检索。pipeline 后端纯 CPU 就能跑配合跨页表格合并和页眉页脚自动清理归档后的文本顺序和人眼读的一致。收尾MinerU 把难啃的文档变成大模型能直接吃下的结构化数据109 种语言覆盖基本不用挑。clone 仓库跑一遍demo/里的样例挑一份你最头疼的外文 PDF 试试手比看十篇评测都有感觉。本文基于 MinerU v3.4.42026-06 发布编写不同版本的语言参数、后端名称可能有差异以本地mineru --help为准。【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerU创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 MinerU 多语言文档解析指南：109 种语言的 PDF 一键转 Markdown
MinerU 多语言文档解析指南109 种语言的 PDF 一键转 Markdown【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerUMinerU 是一个文档解析工具把 PDF、DOCX、PPTX、XLSX 和图片转成大模型能直接读的 Markdown 和 JSON。当前版本把 OCR 管线升到 PP-OCRv6支持 109 种语言的检测与识别扫描件、手写体、多栏排版都能处理输出按人类阅读顺序排列。 能力全景MinerU 能做什么一句话概括MinerU 帮你把垃圾文档变成 LLM-ready 的结构化数据大模型可直接检索、抽取的 Markdown/JSON。具体能力有 6 项全格式转 MarkdownPDF、图片、DOCX、PPTX、XLSX 统一输入一次命令全搞定复杂版面还原标题、段落、列表结构保留跨页表格自动合并跨页的表格在输出里拼回一张公式和表格专门处理公式转 LaTeX表格转 HTML不是简单糊一层文本多语言 OCRPP-OCRv6 识别模型支持 109 种语言扫描件、乱码 PDF 自动切换 OCR 模式算力门槛低pipeline 后端纯 CPU 能跑vlm/hybrid 后端支持 GPU 和昇腾、寒武纪等 10 多款国产加速卡接入方式多CLI 命令行、FastAPI 服务、Gradio WebUI、MCP Server 都内置 三分钟上手装完就能跑pip 一行装好安装只需一条命令mineru[all]包含全部核心功能兼容 Windows / Linux / macOSuv pip install -U mineru[all]一条命令解析 PDF装完直接解析首次运行会自动下载模型文件跑过一次就有本地缓存mineru -p demo/pdfs/demo1.pdf -o output/跑完在output/下能看到 Markdown 和图片文件。没有 GPU 的机器加一个-b pipeline走纯 CPU 管线速度稍慢但不用折腾显卡mineru -p demo/pdfs/demo1.pdf -o output/ -b pipeline官方仓库的demo/目录自带样例文件想走 API 方式可以直接看 demo 脚本。⚙️ 进阶调优语言参数和解析强度怎么设-l 参数指定语言族OCR 更准-l只对 pipeline 后端的 OCR 生效hybrid 和 vlm 后端会忽略它。取值一共 12 个语言族ch、korean、ta、te、ka、th、el、arabic、east_slavic、cyrillic、devanagari等。关键点是ch覆盖面最广包含中文、英文、日文、繁体中文和拉丁文。西里尔语族的cyrillic一个参数就能覆盖俄语、哈萨克语等 30 多种文字devanagari则覆盖印地语、僧伽罗文系等。不确定时选ch确定语族时选专属项识别字典识别模型用的字符词表匹配更准mineru -p manual.pdf -o output/ -b pipeline -l arabic--effortmedium 还是 highhybrid 后端默认effortmedium综合精度只比 high 低 0.13 分速度却快 35%~220%。只有需要图片/图表分析输出里带图表的文字描述时才必须切highmedium 档不支持这个功能mineru -p report.pdf -o output/ -b hybrid-engine --effort high参数全表见 CLI 工具说明。 实测数据3.4 版本升级对比以下数据来自官方更新记录OmniDocBench 评测口径不是咱们自己跑的指标基线MinerU 3.4变化幅度OCR 相关指标OmniDocBench v1.6PP-OCRv53.3 及以前PP-OCRv6提升约 11%OCR 处理速度3.3 及以前版本3.4 推理链路优化后提升约 100%Hybrid 解析速度Linux 文本 PDFefforthigheffortmedium提升约 80%Hybrid 综合精度medium 档high 档 95.39medium 档 95.26仅降 0.13pipeline 后端精度OmniDocBench v1.5上一代 VLM MinerU2.0-0.9Bpipeline 后端 86.47纯规则管线反超 VLM最后一行值得注意不用 GPU 的 pipeline 后端精度已经超过上一代主流 VLMCPU 机器完全能上生产。⚠️ 避坑清单四个高频踩坑点首次运行卡在下载模型→ 默认走 HuggingFace 源国内网络直连困难 →export MINERU_MODEL_SOURCEmodelscope切到国内镜像没有 GPU命令跑几分钟或报错→ vlm/hybrid 后端要求 GPU最低 4~8GB 显存默认后端没降级 → 加-b pipeline走纯 CPU外语扫描件识别一堆乱码→ 没指定语言参数字典选错了 → 加-l指定语言族如阿拉伯文-l arabic图表没输出文字描述→ medium 档不带 image analysis 功能 → 换--effort high代价是解析变慢Windows 装完 CUDA 不生效→ ray 依赖不支持 Python 3.13 → 换 Python 3.10~3.12细节看 FAQ输出文件结构Markdown、JSON、中间格式各是什么在 输出文件说明 里写得最清楚第一次跑完建议对照看一下。 落地场景两类典型用户搭 RAG 知识库的开发者手头一堆外文论文和产品手册喂大模型之前全是扫描件。用 MinerU 批量转成 Markdown 再进 Dify、FastGPT 这类框架-l指定语言族保证 OCR 质量省掉整条手动转文档的链路。企业文档归档岗几百份扫描版合同、多语言操作手册要入库检索。pipeline 后端纯 CPU 就能跑配合跨页表格合并和页眉页脚自动清理归档后的文本顺序和人眼读的一致。收尾MinerU 把难啃的文档变成大模型能直接吃下的结构化数据109 种语言覆盖基本不用挑。clone 仓库跑一遍demo/里的样例挑一份你最头疼的外文 PDF 试试手比看十篇评测都有感觉。本文基于 MinerU v3.4.42026-06 发布编写不同版本的语言参数、后端名称可能有差异以本地mineru --help为准。【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerU创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考