MinerU：從 PDF 到 Markdown 的開源文件解析引擎，為 RAG 與 LLM 訓練而生

每次要把一份學術論文、公司內部 PDF 報告、或掃描版合約丟進 RAG 流程，第一個卡關的點通常不是向量化，而是文件解析：文字被切斷、表格變成混亂的段落、公式被當成亂碼、掃描圖直接無法讀取。商業方案（如 Azure Document Intelligence）能解決一部分，但成本、隱私與格式鎖定讓人猶豫；開源方案（PaddleOCR、Tesseract）則常常在結構化輸出這一步缺席。

MinerU 是 OpenDataLab 開源的一個文件解析引擎，目標很直接：把複雜文件（PDF、圖像、DOCX、PPTX、XLSX）轉成機器可讀的 Markdown 與 JSON，並在過程中保留表格結構、公式語意、圖文關聯，以及掃描文件的可讀性。它不是單純的 OCR，而是從頁面解析到文件語意結構的完整管線。

它想解決什麼

MinerU 的誕生背景很具體：在 InternLM 的前訓練階段，團隊需要把大量科學文獻與技術文件轉成乾淨的訓練語料，但現有工具在符號轉換（公式、表格、圖文混排）上表現不穩定。MinerU 因此被設計成一個專為大模型資料準備的解析引擎，而非通用的文件轉檔工具。

這讓它的設計目標與一般 OCR 工具有明顯差異：

• 不是只提取文字，而是保留結構：表格轉成 HTML、公式保留 LaTeX、段落維持閱讀順序。
• 不是只處理數位原生 PDF，也處理掃描圖：內建 OCR 與掃描修復，支援 109 種語言的文字檢測與識別。
• 輸出不是純文字，而是多格式機器可讀資料：Markdown（適合人讀與 LLM 讀）、JSON（適合結構化檢索與資料庫）、以及中間格式（適合後續處理）。

核心能力

從官方文件與 GitHub 說明來看，MinerU 的核心功能可以分成幾層：

輸入與輸出

• 支援格式：PDF（含掃描）、圖像（PNG/JPG）、DOCX、PPTX、XLSX。
• 輸出格式：Markdown（含多模態與 NLP 兩種風格）、JSON（閱讀順序排序，含段落、表格、公式、圖像關聯）、HTML（表格專用）、以及中間解析格式（可再加工）。

結構化解析

• 表格識別與提取：自動偵測表格區域，轉成 HTML 結構，而非把表格內容當成亂序段落輸出。對需要從報表、論文數據表中提取資訊的 RAG 流程來說，這是關鍵差異。
• 公式識別：自動偵測數學公式區域，輸出為可讀的 LaTeX 或結構化表示，避免公式被當成亂碼文字。
• 圖文關聯：在輸出中保留圖像與周圍文字的關聯關係，讓後續處理知道「這張圖屬於哪個段落」或「這個公式對應哪段說明」。

OCR 與掃描修復

• OCR 引擎：支援 109 種語言的文字檢測與識別，對中文、英文、日文、韓文等常見語言有覆蓋。
• 掃描 PDF 修復：自動偵測掃描或亂碼 PDF，啟用 OCR 管線進行文字還原，而非直接放棄或輸出空白。
• 混合解析（Hybrid Parsing）：在 3.3 與後續版本中，混合解析（數位原生 + 掃描混合）的準確度與效率有明顯優化，模型下載與快取機制也更穩定。

部署與運作

• 本機部署：GitHub 提供完整安裝腳本與 Docker 支援，可在自己的機器上跑，不需要把敏感文件上傳到雲端。
• 多 GPU 支援：支援多 GPU 並行，對批量文件處理（如整批論文預處理）有實際幫助。
• API 與 SDK：提供 Python 客戶端（官方核心支援）、Go SDK（見生態系 MinerU-Ecosystem repo）、以及線上 API（mineru.net），可依需求選擇本機或遠端服務。
• 模型管理：首次安裝會下載模型，後續有快取機制；版本更新（如 3.3、3.4）會自動處理模型升級與相容性。

與替代方案比較

選擇文件解析工具時，通常不是「哪個最好」，而是「哪個最適合你的資料形態與輸出需求」。以下表格為功能定位比較（非基於同一基準測試的效能排名），僅供參考：

MinerU 的定位不是「最強 OCR」，而是最完整的文件解析到機器可讀結構。如果你只需要從一張掃描發票提取文字，PaddleOCR 或 Tesseract 夠用且更輕量；但如果你要把整份學術論文、技術手冊、或內部報告轉成可被 LLM 直接理解與檢索的結構化資料，MinerU 的表格、公式與圖文關聯保留能力會明顯減少後續清洗成本。

值得注意的是，MinerU 仍在快速演進中（3.3、3.4 版本在 2026 年持續發布，OCR 能力與混合解析效能有明顯提升）。這意味著它的準確度與功能邊界會隨版本變化，每次引用具體數據或功能時，建議確認對應的版本號與發布日期，而非把某個版本的表現當成永久特性。

適用情境

根據官方定位與實際功能，MinerU 最適合以下幾類工作：

RAG 前處理與知識庫建構

把企業內部 PDF 報告、產品手冊、法規文件轉成結構化 Markdown 與 JSON，再餵給向量資料庫。表格保留為 HTML 讓檢索時可以提取完整數據、公式保留為 LaTeX 讓技術文件可被準確理解、圖文關聯讓多模態檢索（圖像 + 文字）成為可能。

LLM 訓練資料清洗

在預訓練或微調階段，需要大量乾淨的技術文獻與文件資料。MinerU 的中間解析格式與多輸出選項，讓資料工程師可以在「原始解析」與「最終訓練語料」之間做更細緻的轉換與篩選，而非直接從混亂 PDF 跳到純文字。

學術文獻與技術文件整理

對研究者或工程師來說，從 PDF 提取結構化內容（含表格數據、公式、圖表描述）可以大幅減少手動整理時間。特別是需要把多份論文的數據表整合成比較表格時，結構化輸出比純文字提取省下大量後處理時間。

掃描文件數位化

對有大量紙本文件（合約、發票、歷史檔案）的組織，MinerU 的掃描修復與 OCR 管線可以在本機完成，不需要把敏感文件上傳到第三方雲端服務，對隱私與合規有實際價值。

部署與實際限制

實際使用 MinerU 前，有幾個現實限制值得先知道：

• 首次安裝成本：模型下載與環境設定需要時間與網路，首次安裝體驗不如輕量 OCR 工具（如 Tesseract）的「下載即用」快速。
• 處理速度與資源：高精度解析需要 GPU 加速（特別是混合解析與大模型輔助的場景），純 CPU 運作可行但速度明顯下降。對批量處理來說，多 GPU 並行是實用選項，但也增加部署複雜度。
• 準確度邊界：官方的後處理框架 MinerU-Popo 在公開基準測試（如 ViDoRe V3、MMDA）上相較於直接使用預訓練模型（如 Qwen3-VL 系列）的輸出顯示有提升，但這些數據是特定測試集（表格提取指標 TEDS、文件速度 Doc/s、各維度分數）上的後處理結果，不是 MinerU 核心解析引擎與 VLM 在同任務上的直接對比；實際文件（特別是非英文、非標準排版、或高度圖文混排的文件）的準確度仍需逐份驗證。
• 版本演進：功能與模型在快速更新中（3.3、3.4 版本在 2026 年持續發布），長期使用時需要追蹤版本相容性與模型升級策略，而非假設某個版本的行為會永久不變。
• 商業與本機的選擇：GitHub 開源版與 mineru.net 線上 API 提供不同部署模式，本機版適合隱私敏感場景，API 版適合快速驗證與小規模使用，但兩者在模型能力與功能完整度上可能存在差異，引用時應明確標註使用的來源與版本。

整體取捨

MinerU 的核心價值不在於「取代所有 OCR 工具」，而在於把文件解析從「提取文字」提升到「保留語意結構」。對只需要快速文字提取的場景，它可能過於複雜且資源密集；但對需要把複雜文件轉成機器可讀、可檢索、可再加工的結構化資料的場景（特別是 RAG、LLM 訓練、知識管理），它提供了一個完整且可本機部署的解決方案。

它的開源許可為基於 Apache 2.0 的自訂協議（MinerU Open Source License，見 LICENSE.md），含商業使用門檻（MAU > 1 億 或 月收入 > 2,000 萬美元需另行授權）與線上服務標識義務，並非純 Apache 2.0；社群仍在持續演進（OpenDataLab、InternLM 生態系），功能邊界會隨 3.3、3.4 等版本擴展，但同時也要求使用者對版本、模型與部署環境有基本掌握，而非把它當成「裝好就忘記」的黑盒工具。

如果你正在建構一個需要大量文件預處理的知識系統，或正在為 LLM 準備高品質訓練語料，MinerU 值得花時間試用一週，確認它對你的文件類型與精度需求的實際表現，再決定是否納入長期流程。

參考資料

• MinerU — GitHub Repo (opendatalab/MinerU) — 原始碼、安裝說明與版本發行紀錄（含 3.3、3.4 版本更新）
• MinerU — 官方文件 — 核心功能、輸入輸出格式、OCR 覆蓋與部署指南
• MinerU — Open API 文件 — 線上 API 使用說明
• MinerU-Ecosystem — GitHub (opendatalab/MinerU-Ecosystem) — SDK、API 與生態系整合
• MinerU-Popo — GitHub (opendatalab/MinerU-Popo) — 後處理 OCR 輸出的輕量框架，含基準測試比較數據（ViDoRe V3、MMDA）
• MinerU — License (LICENSE.md) — 基於 Apache 2.0 的自訂協議（MinerU Open Source License），含商業使用門檻（MAU > 1 億 / 月收入 > 2,000 萬美元）與線上服務標識義務、自動終止條款（2026 版）