我要投稿

登顶GitHub Trending，开源工具MinerU助力复杂PDF高效解析提取

发布日期：2024-08-08 06:17:59 浏览次数： 4716

作者：书生Intern

微信搜一搜，关注“书生Intern”

在7月4日举行的WAIC 2024科学前沿主论坛上，书生·浦语2.5正式发布，面向大模型研发与应用的全链条工具体系同时迎来升级。在数据处理环节，上海人工智能实验室（上海AI实验室）大模型数据基座OpenDataLab团队开源了全新的智能数据提取工具——MinerU。

MinerU 不仅能将混合了图片、公式、表格、脚注等在内的复杂多模态 PDF 文档精准转化为清晰、易于分析的 Markdown 格式；同时支持从包含广告等各种干扰信息或者复杂格式的网页、电子书中快速解析、抽取正式内容，有效提高AI语料准备效率，助力各行业利用大模型、RAG等技术，结合学术文献、财务报告、法律文件、电子书籍等专业文档，打造垂直领域的新知识引擎。

MinerU项目地址

https://github.com/opendatalab/MinerU（点击文末“阅读原文”直达）

PDF-Extract-Kit PDF模型解析工具链代码

https://github.com/opendatalab/PDF-Extract-Kit

MinerU代码公开之后，凭借精准、快速的SOTA效果，媲美甚至超过商业软件的性能，获国内外多个技术大V点赞，GitHub Star累计飙升3000+，登顶GitHub Python Trending（2024年7月28日-29日），成为AI数据清洗中一个优秀的开源工具。

一、MinerU功能介绍

MinerU 可以将 PDF 转化为 Markdown 格式。支持转换本地文档或者位于支持S3协议对象存储上的文件。主要功能包含：

● 支持多种前端模型输入

● 删除页眉、页脚、脚注、页码等元素

● 符合人类阅读顺序的排版格式

● 保留原文档的结构和格式，包括标题、段落、列表等

● 提取图像和表格并在Markdown中展示

● 将公式转换成LaTex

● 乱码PDF自动识别并转换

● 支持CPU和GPU环境

● 支持Windows/Linux/Mac平台

（更多详细介绍，请点击此处查看）

（MinerU功能完整介绍视频）

二、PDF提取流程及技术架构

PDF文档相比网页、电子书等结构标准化的文件含有更多复杂的元素，处理更具挑战性和代表性，所以接下来，将以PDF为代表，重点介绍 MinerU 如何实现高质量文档数据提取。

（流程图）

MinerU PDF文档提取，主要由4大环节构成：

● PDF文档分类预处理

MinerU支持不同类型的PDF文档提取，包括文本型PDF、图层型PDF、扫描版PDF；初始阶段，输入PDF文档，系统会启用文档分类模块，提取PDF元数据，检测是否有乱码，是否是扫描版，进行PDF类型识别预处理。

（注：文本型PDF：文字可以复制；图层型PDF：文字不可复制，解析乱码）

● 模型解析，PDF内容提取

紧接着，利用高质量PDF模型解析工具链进一步对PDF文档进行Layout区块布局检测，准确定位标题、正文、图片、表格、脚注、边注等重要元素位置，与此同时，结合公式检测模型定位公式区域。最后结合高质量公式识别及OCR技术提取准确的文本、公式内容，存储到JSON文件中。

● 管线处理，支持多种格式输出

模型处理的数据会输入管线，进行后处理：确定块级别顺序，删减无用元素，依靠版面对内容排序、拼装，保证正文流畅。处理方式包括：坐标修复、高iou处理、图片、表格描述合并、公式替换、图标转储、Layout排序、无用移出、复杂布局过滤等。

管线处理好的文档信息会变为一个统一的中间态：middle-json（包含PDF解析出来的所有的信息），开发者可以按照使用需求自定义输出Layout、Span、Markdown、Content list等不同的格式。

（注：Content list是作者团队开发的一套列表样的序列结构格式，比Markdown格式能保留更多信息，可用于多模态、NLP等大模型训练）

● PDF提取结果质检

团队利用由论文、教材、试卷、研报等多种类型文档组成的人工标注的PDF自测评测集，对整个流程进行检测，保证每次开发调优、算法改进后，提取效果越来越好；同时利用可视化质检工具，将PDF提取结果进行人工质检与标注，再反馈给模型训练，进一步提升模型能力。

详细项目全景图如下：

三、高质量PDF模型解析工具链

MinerU PDF模型解析工具链 PDF-Extract-Kit，主要由四个关键模块组成：

● 布局检测：使用 LayoutLMv3 微调出来的检测模型进行区域检测，如图像，表格、标题、文本等；

● 公式检测：使用基于 YOLOv8 自研的公式检测模型进行公式检测，包含行内公式和行间公式；

● 公式识别：使用自研的 UniMERNet 公式识别模型进行公式识别；

● 光学字符识别：使用 PaddleOCR 模型进行文本识别；

在论文、教材、研报、财报等多样性的PDF文档上，MinerU的pipeline都能得到准确的提取结果，对于扫描模糊、水印等情况也有较高鲁棒性。

（不同类型PDF提取效果示意）

四、评测指标

● 布局检测

作者团队将 MinerU 与现有的开源 Layout 检测模型做了对比，包括 DocXchain、Surya、360LayoutAnalysis 的两个模型。而 LayoutLMv3-SFT 指的是他们在LayoutLMv3-base-chinese 预训练权重的基础上进一步做了SFT训练后的模型。论文验证集由402张论文页面构成，教材验证集由587张不同来源的教材页面构成。

● 公式检测

作者团队将 MinerU 与开源的模型 Pix2Text-MFD 做了对比。其中，YOLOv8-Trained 是他们在YOLOv8l 模型的基础上训练后的权重。论文验证集由255张论文页面构成，多源验证集由789张不同来源的页面构成，包括教材、书籍等。

● 公式识别

公式识别作者团队则直接使用了 UniMERNet 的权重，没有进一步的SFT训练，其精度验证结果可以在其GitHub页面获取。

●光学字符识别

使用了PaddleOCR 官方提供的权重，没有做进一步的训练和验证，因此不涉及验证代码。

评测结果显示，MinerU在布局检测、公式检测、公式识别多个维度上性能都远超其他开源模型，识别准确率也非常不错。更多评测详情，请访问：

https://github.com/opendatalab/PDF-Extract-Kit/blob/main/assets/validation/README-zh_CN.md

五、MinerU部署及使用

MinerU完整部署及使用文档请访问：

https://github.com/opendatalab/MinerU

MinerU能力已集成在新一代大语言模型书生·浦语2.5（InternLM2.5）中，可以与AI进行文档格式转化及内容问答交互，欢迎大家体验。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2026-05-07

为什么同一个模型，在 Claude Code/Codex CLI 里感觉像换了个脑子？

2026-05-07

尝试在Warp里使用claude code

2026-05-07

我用 Claude Code CLI 搭了一套「不丢上下文」的工作流

2026-05-07

Anthropic 上线「做梦」功能，让 Agent 越睡越聪明

2026-05-06

Android CLI 实战指南：借助任意智能体，实现 3 倍速高效开发

2026-05-06

刚刚，GPT-5.5 Instant全员免费！数亿人的ChatGPT变了

2026-05-06

M365 Copilot ：App Builder 它不仅是单次代码生成

2026-05-06

GPT-5.5 Instant 来了，但这次重点不是“更强”，而是“更像人”

联系获取

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

Claude Opus 4.7刚刚曝光！Claude Code一夜重构，7x24小时替你打工

2026-04-15

刚刚Qwen 3.6 Plus上线预览：1M上下文，阿里Coding/Agent翻身战打响

2026-03-31

2026年国内如何注册 Claude 账号教程

2026-03-13

豆包 2.0 模型发布，全信息整理（全网最完整，另附 79 页 Model Card）

2026-02-14

独家| DeepSeek-V4终于要来了：梁文锋憋半年大招，多模态+长期记忆全面破局

2026-03-17

OpenAI Codex CLI 完整使用指南

2026-04-07

全网最详细的Codex入门教程，手把手教你玩转Vibe Coding。

2026-02-09

香港终于能直接用 Gemini 了，内地用户能用上吗？

2026-03-17

编程选GPT-5.4，还是GPT-5.3-Codex？

2026-03-21

全球首个 AI 进化网络 EvoMap，给 Agent 装上 DNA

2026-02-20

大家都在问

为什么同一个模型，在 Claude Code/Codex CLI 里感觉像换了个脑子？

2026-05-07

「双线实测」Qwen 3.6-Plus，Agentic Coding 已经这么能「扛活儿」了？

2026-04-26

本体化语义层，会是 AI 数据平台的新地基吗？

2026-04-22

设计行业的“棺材板”，要被Claude Design盖上了？

2026-04-18

当所有人都不写代码了，谁来看懂代码？

2026-04-13

什么场景该用 AI Native？

2026-04-12

12MB的Go二进制，让AI操控浏览器只花800 tokens，PinchTab凭什么这么省？

2026-04-07

华为AI 49元/月！贵？不贵？

2026-04-01

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS Skill 提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB Palantir Glean Openclaw