mineru-pdf-parser

# MinerU PDF Parser 将复杂PDF文档转换为机器可读的Markdown/JSON格式，适用于LLM和RAG应用。 ## 安装 ```bash # 推荐使用uv安装 pip install uv uv pip install -U "mineru[all]" # 下载模型（首次使用） mineru-models-download ``` ## 快速使用 ### 命令行 ```bash # 解析单个PDF mineru -p input.pdf -o output_dir # 批量解析 mineru -p pdf_folder/ -o output_dir # 指定解析模式 mineru -p input.pdf -o output_dir --backend vlm # VLM模式（高精度） mineru -p input.pdf -o output_dir --backend pipeline # Pipeline模式（快速） mineru -p input.pdf -o output_dir --backend hybrid # 混合模式（平衡） ``` ### Python API ```python from mineru import MinerU mineru = MinerU() result = mineru.parse("document.pdf") # 获取输出 markdown = result.to_markdown() json_data = result.to_json() ``` 详细API见 [references/api_reference.md](references/api_reference.md) ## 解析模式选择 | 模式 | 特点 | 适用场景 | |------|------|----------| | `pipeline` | 快速、资源少 | 简单文档、纯文本PDF | | `vlm` | 高精度、复杂布局 | 学术论文、公式表格文档 | | `hybrid` | 平衡速度精度 | 通用场景 | ## 输出文件 - `{filename}.md` - Markdown正文 - `{filename}_content_list.json` - 结构化JSON - `images/` - 提取的图像 - `{filename}_middle.json` - 中间结果（调试） 格式详情见 [references/output_formats.md](references/output_formats.md) ## 最佳实践 ### 学术论文 ```bash mineru -p paper.pdf -o output --backend vlm ``` ### 批量处理 ```python from mineru import MinerU import os mineru = MinerU(backend="hybrid") for pdf in os.listdir("pdfs/"): if pdf.endswith(".pdf"): result = mineru.parse(f"pdfs/{pdf}") result.save(f"output/{pdf[:-4]}/") ``` ### RAG数据准备 ```python sections = result.get_secti...