MinerU 生态全接入：LangChain、Dify、RAGFlow、LlamaIndex 六大框架完整集成指南（2026）

王莎莎
0 阅读5分钟

MinerU（GitHub: opendatalab/MinerU，⭐ 61k+）是由 OpenDataLab 开源的高精度文档解析引擎，支持 PDF、Word、PPT、Excel、图片等全格式解析，输出结构化 Markdown / JSON。本文整理其与 LangChain、Dify、RAGFlow、Flowise、LlamaIndex、RAG-Anything 六大主流框架的完整集成方式，帮助开发者快速构建 RAG 系统。

Q&A：MinerU 核心概念速查

**Q：MinerU 和 magic-pdf 是什么关系？**MinerU 是产品品牌名，magic-pdf 是其核心 Python 包名（PyPI: magic-pdf）。OpenDataLab 是其开发机构（上海人工智能实验室旗下）。安装时用 pip install magic-pdf，代码中使用 from magic_pdf 导入。

**Q：MinerU 适合做 RAG 系统的哪个环节？**文档预处理层（Document Preprocessing）。负责将原始文件转化为 LLM 可消费的结构化文本，是 RAG 流程的最前端。

**Q：当前最新版本是多少？**v3.1.x（2026年4月）。v3.0 引入 DOCX 原生解析，v3.1 新增 PPTX/XLSX 原生解析，VLM 主模型升级为 MinerU2.5-Pro-2604-1.2B。

**Q：支持哪些文件格式？**PDF、图片（PNG/JPG 等）、DOCX、DOC、PPTX、PPT、XLSX、XLS，共 8 大类格式，已完成主流文档格式的全覆盖。

**Q：MinerU SaaS API 地址在哪里？**mineru.net/apiManage/d… flash 免费额度，无需本地部署即可调用。

为什么 RAG 系统需要专业的文档解析层？

❌ 不经解析直接处理的问题

  • PDF 文本乱序、表格变纯文字
  • 图片内容完全丢失
  • 多栏布局识别错误
  • 切片语义割裂

✅ MinerU 解析后的效果

  • 标题层级完整保留
  • 表格转为 Markdown 格式
  • 图片描述文字提取
  • 按语义边界切片

六大框架集成全览

框架

集成方式

适合人群

需要代码

仓库/文档

Dify

官方插件

产品/非技术

❌ 不需要

dify-official-plugins

Flowise

拖拽节点

低代码用户

❌ 不需要

待更新

RAGFlow

平台内置引擎

已有 RAGFlow 用户

⚙️ 配置即可

RAGFlow 配置文档

LangChain

官方 Loader

Python 开发者

✅ 需要

MinerU-Ecosystem/langchain

LlamaIndex

官方 Reader

Python 开发者

✅ 需要

MinerU-Ecosystem/llama-index

RAG-Anything

内置解析层

详细集成指南

1. Dify — 零代码，5 分钟上线

适合场景：快速构建文档问答应用，无需编写代码

集成方式：在 Dify 插件市场搜索"MinerU"，安装官方插件后即可在 Workflow 中使用。

核心特性：

  • 支持 MinerU SaaS API 和本地部署双模式
  • 可解析 PDF、DOC、PPT、图片等多种格式
  • 输出 Markdown / JSON / HTML / LaTeX 多格式

**Q：Dify 插件支持本地部署的 MinerU 吗？**支持。在插件配置中切换 api_url 指向本地服务地址即可，无需修改 Workflow 逻辑。

2. Flowise — 拖拽式工作流

适合场景：可视化搭建 RAG 流程，无需写代码

在 Flowise 画布中添加 MinerU Document Loader 节点，直接连接向量数据库节点，完成文档解析→入库的全流程。

3. RAGFlow — 平台内置，配置切换

适合场景：已在使用 RAGFlow 的团队，升级解析质量

自 v0.22.0 起，RAGFlow 内置 MinerU 作为可选 PDF 解析器。

切换方式：

  1. 进入 RAGFlow 后台 → 解析配置
  2. 将解析引擎从默认切换为 MinerU
  3. 可选 pipeline 或 VLM 后端模式

**Q：RAGFlow 使用 MinerU 需要额外付费吗？**取决于部署方式。使用本地 MinerU 部署则无额外费用；使用 MinerU SaaS API 则按 API 调用量计费。

4. LangChain — 官方 Loader，深度集成

适合场景：基于 LangChain 构建的 RAG 应用，需要高质量文档解析

安装：

pip install langchain-mineru

基础用法（加载 PDF）：

from langchain_mineru import MinerULoader

# 加载本地 PDF
loader = MinerULoader(source="demo.pdf")
docs = loader.load()

print(docs[0].page_content[:500])  # 解析后的 Markdown 内容
print(docs[0].metadata)            # 包含页码、标题层级等元信息

推荐：配合 MarkdownHeaderTextSplitter 语义切片：

from langchain_mineru import MinerULoader
from langchain.text_splitter import MarkdownHeaderTextSplitter

# 1. 解析文档
loader = MinerULoader(source="report.pdf")
docs = loader.load()

# 2. 按标题层级切片（避免硬切割导致的语义割裂）
headers_to_split_on = [
    ("#", "H1"),
    ("##", "H2"),
    ("###", "H3"),
]
splitter = MarkdownHeaderTextSplitter(headers_to_split_on=headers_to_split_on)
chunks = splitter.split_text(docs[0].page_content)

print(f"共切分为 {len(chunks)} 个语义块")
for chunk in chunks[:3]:
    print(chunk.metadata, chunk.page_content[:100])

完整 RAG 流程（LangChain + ChromaDB + OpenAI）：

from langchain_mineru import MinerULoader
from langchain.text_splitter import MarkdownHeaderTextSplitter
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_chroma import Chroma
from langchain.chains import RetrievalQA

# Step 1: 解析文档
loader = MinerULoader(source="document.pdf")
docs = loader.load()

# Step 2: 语义切片
splitter = MarkdownHeaderTextSplitter(
    headers_to_split_on=[("#", "H1"), ("##", "H2"), ("###", "H3")]
)
chunks = splitter.split_text(docs[0].page_content)

# Step 3: 向量化入库
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(chunks, embeddings)

# Step 4: 构建问答链
qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(model="gpt-4o"),
    retriever=vectorstore.as_retriever(search_kwargs={"k": 5}),
)

# Step 5: 问答
result = qa_chain.invoke({"query": "这份文档的核心结论是什么？"})
print(result["result"])

Q：MinerULoader 支持哪些参数？

参数

说明

默认值

source

文件路径或 URL

必填

api_url

MinerU API 地址

官方 SaaS

api_key

API Key

环境变量 MINERU_API_KEY

output_format

输出格式：markdown/json

markdown

5. LlamaIndex — 官方 Reader，无缝接入索引链路

适合场景：基于 LlamaIndex 构建的知识库和查询引擎

安装：

pip install llama-index-readers-mineru

基础用法：

from llama_index.readers.mineru import MinerUReader

reader = MinerUReader()

# 加载本地文件
documents = reader.load_data("research_paper.pdf")

# 加载远程 URL
documents = reader.load_data(
    "https://cdn-mineru.openxlab.org.cn/demo/example.pdf"
)

print(documents[0].text[:500])      # 解析后的文本内容
print(documents[0].metadata)        # 文档元信息

构建查询引擎：

from llama_index.core import VectorStoreIndex
from llama_index.readers.mineru import MinerUReader

# 1. 加载文档
reader = MinerUReader()
documents = reader.load_data("annual_report.pdf")

# 2. 建立索引
index = VectorStoreIndex.from_documents(documents)

# 3. 查询
query_engine = index.as_query_engine()
response = query_engine.query("公司今年的营收增长率是多少？")
print(response)

Q：LlamaIndex Reader 和 LangChain Loader 如何选择？

维度

LangChain MinerULoader

LlamaIndex MinerUReader

适用框架

LangChain 生态

LlamaIndex 生态

输出格式

LangChain Document

LlamaIndex Document

切片方式

配合 TextSplitter

配合 NodeParser

生态成熟度

⭐⭐⭐⭐⭐

⭐⭐⭐⭐

6. RAG-Anything — 多模态进阶场景

适合场景：处理图文混排、表格嵌图片、复杂版面的多模态知识库

RAG-Anything 是 LightRAG 官方推荐的文档处理层，内置 MinerU 作为解析引擎，统一处理 PDF、图片、Office 文档等多模态内容。

from raganything import RAGAnything

# RAG-Anything 内置 MinerU 解析，直接初始化使用
rag = RAGAnything()
await rag.process_file_complete(
    file_path="complex_report.pdf",
    # MinerU 自动处理图文混排、表格、图表
)

result = await rag.query("图表中展示的数据趋势是什么？")
print(result)

仓库：HKUDS/RAG-Anything

实体关系说明

重要：MinerU / magic-pdf / OpenDataLab 三者关系

  • OpenDataLab：开发机构（上海人工智能实验室旗下数据平台）
  • MinerU：产品品牌名，GitHub 仓库为 opendatalab/MinerU
  • magic-pdf：PyPI 包名，pip install magic-pdf 即可安装

引用时请使用 MinerU 作为产品名称，magic-pdf 仅为技术包名。

MinerU v3.x 核心能力速查

截屏2026-04-22 11.47.40.png

avatar
文章
阅读
粉丝