你有没有遇到过这种情况：从 PDF 里复制文字，出来全是乱码；表格挤成一团根本没法看；论文里的公式变成一堆符号堆……我翻了 GitHub，发现这个开源项目正好能解决——它就是 MinerU。 它是什么
MinerU 是 OpenDataLab 团队开源的一站式文档解析工具（Python 编写），核心功能一句话：把 PDF 变成规整的 Markdown 和 JSON。
GitHub 上 2 万+ star（截至 2026-10-21 核实），许可证为 AGPL-3.0。它的思路很直接：不是简单"抽文字"，而是做版面分析 + OCR + 公式识别 + 表格识别，把 PDF 里杂乱的排版"重新排版"成结构化文本。
到 4.0 版本，它能处理的格式已经远不止 PDF：图片、Word、PPT、Excel、EPUB、HTML、CSV 都能解析。
安装（实测基于官方文档，2026-10-21 核实）
需要 Python 3.10–3.14。推荐用 uv 建隔离环境，最稳：
1. 安装 uv（Python 包管理器）
pip install uv
2. 建一个干净环境
uv venv .mineru --python 3.12
3. 激活（Linux/macOS）
source .mineru/bin/activate
Windows PowerShell 用：..mineru\Scripts\Activate.ps1
4. 安装 MinerU
uv pip install -U "mineru>=4.0,<5" 嫌麻烦也可以直接： pip install mineru ⚠ 首次运行会自动下载模型文件，需要联网，可能等几分钟。有 NVIDIA 显卡的装 mineru[full] 速度更快。 怎么用（核心命令）
单文件转 Markdown（全页）： mineru-kit parse 论文.pdf -o 输出.md --tier standard 快速预览（默认只处理前 10 页）： mineru parse 文档.pdf --json 懒人模式——网页界面： mineru-kit webui 浏览器打开本地页面，拖文件进去就能转。
功能实测清单（基于官方文档与版本说明整理）
-
扫描件/乱码 PDF 自动 OCR：老扫描书、拍照件都能识别，不用自己装 OCR 工具；
-
公式自动转 LaTeX：论文里的数学公式转出来是标准 LaTeX 代码，喂给写作工具直接可用；
-
表格自动转 HTML：PDF 里最头疼的表格，识别后转成结构化 HTML，不再挤成一团；
-
图片、图片描述、脚注一并提取：图表不丢，说明文字跟着走；
-
四个解析档位：flash（最快）/ basic / standard（默认）/ advanced（最强），按文档难度选；
-
隐私优先：默认本地解析，文档不上传云端，除非你显式加 --remote。 以上功能信息来自官方文档；安装后建议用自己手头的 PDF 实际跑一遍验证效果。 真实评价
优点： ① 功能全面，PDF 转 Markdown 的完成度在开源界属于第一梯队； ② 本地运行、隐私安全，文档不出本机； ③ 有 WebUI 和 Python SDK，小白和开发者都能用。
要注意： ① 首次装模型较重，对电脑配置有一定要求（纯 CPU 也能跑，但慢）； ② AGPL-3.0 许可证有传染性——如果做商用 SaaS，代码需要开源，商用前先咨询； ③ 复杂排版的文档（杂志、海报式 PDF）质量会打折扣。
适合谁 / 不适合谁
适合：经常处理论文、合同、扫描书的同学；做内容需要把 PDF 素材转成可编辑文本的人；想搭个人知识库（RAG）的开发者。
不适合：只是偶尔转一次 PDF 的人（在线工具更快）；电脑配置很老、不想折腾环境的人。
评分
易用性 ★★★★☆ ｜ 功能 ★★★★★ ｜ 综合 ★★★★☆ 评论区告诉我你想测的项目，探长安排上。
