MinerU 2.0开源PDF解析工具：智能提取文本/表格/公式，支持84种语言OCR

MinerU 2.0专业级PDF解析工具，可精准提取文本、表格、公式（自动转LaTeX）及图片，智能清理页眉/页脚/页码，支持84种语言OCR识别。提供Markdown/JSON多格式输出，兼容Windows/Linux/Mac系统，开源免费，适用于科研文献处理与数据挖掘。

🚀 核心功能

一、智能内容提取

► ​深度清理文档干扰​

• 自动删除页眉、页脚、脚注、页码
• 精准还原阅读顺序（单栏/多栏/复杂排版）
  ► ​结构化数据提取​
• 保留标题/段落/列表层级
• 提取图片描述+表格+表格标题
  ► ​专业格式转换​
• 公式 → LaTeX格式
• 表格 → HTML格式

二、智能处理技术

► ​OCR增强引擎​

• 支持84种语言识别
• 自动检测扫描版/乱码PDF并启用OCR
  ► ​多平台加速支持​
• 纯CPU环境运行
• GPU(CUDA)/NPU(CANN)/MPS硬件加速

⚙️ 安装与使用

三、快速部署

bash复制# 安装核心组件  
pip install --upgrade pip  
pip install uv  
uv pip install -U "mineru[core]"  

► ​在线体验​

• Hugging Face Demo
• ModelScope平台

四、命令行操作

bash复制mineru -p <输入路径> -o <输出目录> [选项]  

► ​核心参数​

🖥️ 高级应用

五、开发者支持

► ​Python API集成​

python运行复制from mineru import extract  
results = extract("document.pdf")  

► ​可视化调试​

• Layout可视化（元素分布质检）
• Span可视化（文本块定位）
  ► ​服务化部署​

bash复制# 启动API服务  
mineru-api --host 127.0.0.1 --port 8000  

⚠️ 注意事项

六、技术边界说明

► ​当前局限性​

• 竖排文字支持有限
• 复杂表格可能识别错位
• 小语种字符偶现误差
  ► ​不适用场景​
• 漫画书/艺术图册
• 小学教材/习题集