MinerU3步完成法律PDF解析到Markdown转换的全流程【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerU法务同事丢来一份扫描版合同时多半是耐心考验价格表被拆成散乱文本行条款编号混进正文公章上的字被识别成乱码。手工转成 Markdown 要半天转完还不能直接喂给模型。MinerU 就是为解决这件事而生的开源文档解析工具——它能把 PDF 和常见 Office 文档转换成 LLM 可用的 Markdown 与 JSON常规情况下一份 30 页的合同 2 到 5 分钟就能出结果。 为什么合同PDF总让普通工具翻车普通转换工具做的是「导出文字」把 PDF 里的文本层按从上到下的顺序读出来。问题在于合同是二维排版的。手工处理必挂的3个地方第一个是表格。合同里的价格清单被平铺导出后变成「金额、币种、日期……」排成一串你得自己猜哪些数属于同一行。第二个是条款层级。「第一条、1.1、一」这些编号和正文在文本层里是平的转出来的时候段落之间看不出从属关系。第三个是扫描件。纸质合同扫描件经常底纹模糊、印章压字字本身看不清结构更无从谈起。这三类问题恰好是「文档解析」和「文本提取」的分界线解析要先看懂页面上每个块是什么、块和块之间什么关系再按阅读顺序输出而不是一股脑倒出来。 能力总览MinerU的文档解析全家桶一种输入多种输出MinerU 支持 PDF、图片、DOCX、PPTX、XLSX 五类输入可以指一个文件也可以直接指一个目录批量处理。输出不止一个文件有人读的 Markdown、有结构化 JSON、有裁剪出来的图片还有逐块的 content_list。同一次解析的结果人、程序、模型各取所需不用二次加工。三套后端精度和硬件可以换它内置三套解析后端默认 hybrid 是精度与速度的平衡点vlm 走视觉语言模型路线精度最高需要 8GB 以上显存的 GPUpipeline 可以纯 CPU 运行兼容性最广老机器、无卡服务器都能跑。硬件够就选默认硬件不够有退路这是它比单一方案工具省心的一点。官方架构总览把流程摊得很开预处理做文档分类和扫描版识别模型层做 layout 检测、公式检测与文本 OCR管线层负责表格合并、阅读排序、无用块过滤最后统一输出 Markdown 与 JSON。 第一次跑MinerU只需要做3件事装一条pip命令先执行pip install mineru[all]。这个带 all 的安装包包含全部核心功能Windows、macOS、Linux 装法一致不需要自己搭环境。解析只记两个参数装完以后要记的只有一条mineru -p 输入路径 -o 输出目录。-p接收单个文件或整个目录-o指定结果放哪。仓库里自带几份示例 PDF可以先拿它们练手。首次运行会自动下载模型比平时慢一些之后的每次运行都走本地缓存30 页的合同在普通 GPU 机器上 2 到 5 分钟跑完。收一套完整的结果跑完后输出目录里每份文档对应一个 Markdown 和一份信息等价的 JSON外加一张图片目录。想看「页面里每个块到底是什么」content_list 按块给出了类型和顺序具体文件构成建议先看 输出文件说明拿到结果就不会对着目录发懵。 细节深挖合同的硬骨头是怎么处理的表格与公式默认就是开着的表格识别和公式解析在 MinerU 里都是默认启用不需要额外配置。合同里的价格表会被还原成标准 Markdown 表格跨页的表格会尝试合并公式则保留为 LaTeX而不是截图。如果你的文档确认没有任何表格也可以在命令行参数里关掉表格解析省下一部分解析时间。扫描件还是文本层工具自己判断解析方法默认是 autoMinerU 会先检查页面有没有可用的文本层有就直接取没有就转 OCR。对纯文本 PDF这能省掉一轮 OCR 的时间对扫描件它不会在空文本层上硬抠出乱码。也可以强制指定只走文本提取或只走 OCR并指定文档语言来提升小语种场景的识别准确率。阅读顺序与分块两栏不打架合同解析真正的差距在阅读顺序上。双栏版式、页眉页脚、页码一旦混进正文模型读到后面就开始糊涂。MinerU 先把页面切成块、按阅读顺序编号再逐块识别输出。上面这张是解析示例每个块都有独立编号标题、正文、公式、图表互不粘连你甚至可以按编号抽查输出是否正确这在排查长文档时非常有用。⚖️ 选型对照一份合同三种做法差多少以「把一份 30 页合同变成可用的结构化 Markdown」为例三种做法的差别相当直接处理方式耗时表格还原结果形态适用对象手工复制粘贴再排版40–90 分钟人工拼纯文本偶发、小批量普通PDF转换工具5–15 分钟经常拆散纯文本以纯文字为主的合同MinerU文档解析2–5 分钟自动还原为Markdown表格Markdown JSON 图片常态化、批量化处理首次运行包含模型下载表中耗时按第二次起计算。机器不够硬的时候没有 GPU 就选 pipeline 后端纯 CPU 一样能解析代价是速度和精度略降。机器老但网络好可以用 Docker 部署整套服务或者让本地客户端通过 http-client 方式连上远处一台有卡的服务器重活全部交给服务器干。模型默认托管在 huggingface网络受限的环境切换一个环境变量就能改用 modelscope 镜像源不用折腾代理。什么时候升级到VLM默认 hybrid 后端在公开基准上的端到端精度已经过 95 分日常合同足够用。如果你处理的是密集排版的扫描合同、复杂嵌套表格且手里有 8GB 以上显存的 GPU把后端换成 vlm-engine 是明显的下一步它对版面更「看得懂」换一点速度换精度。 把结果接进现有工作流接上Dify合同问答机器人解析出来的 Markdown 和 JSON 不是终点。MinerU 提供官方 Dify 插件在 Dify 工作流里挂上它上传合同 PDF 就能自动拿到解析结果再顺势灌进知识库或交给大模型做条款问答。对法务团队来说「新合同进来 → 解析入库 → 可检索」变成一条不用人盯的流水线。JSON输出给RAG和程序化调用留了口子如果你在做 RAGcontent_list 把标题、表格、公式、图片分块得明明白白直接按块切 chunk 就行不用自己再写版面规则。做程序化处理的话JSON 中间态里保留了位置坐标和块级属性表格、图片都能被代码进一步利用。两种输出都省掉了二次解析。 现在就动手三个存下来的链接想深入的话先看这三处官方文档安装方式、后端差异、FAQ 都在这里快速开始指南从装到跑通第一次解析一页讲完核心源码pipeline、hybrid、vlm 三套解析后端全在这个目录建议的第一步是把你手边那份一直拖着没转的合同丢给它跑一遍。看完输出你就知道自己库里还有哪些文档值得批量处理了。【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerU创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 MinerU：3步完成法律PDF解析到Markdown转换的全流程
MinerU3步完成法律PDF解析到Markdown转换的全流程【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerU法务同事丢来一份扫描版合同时多半是耐心考验价格表被拆成散乱文本行条款编号混进正文公章上的字被识别成乱码。手工转成 Markdown 要半天转完还不能直接喂给模型。MinerU 就是为解决这件事而生的开源文档解析工具——它能把 PDF 和常见 Office 文档转换成 LLM 可用的 Markdown 与 JSON常规情况下一份 30 页的合同 2 到 5 分钟就能出结果。 为什么合同PDF总让普通工具翻车普通转换工具做的是「导出文字」把 PDF 里的文本层按从上到下的顺序读出来。问题在于合同是二维排版的。手工处理必挂的3个地方第一个是表格。合同里的价格清单被平铺导出后变成「金额、币种、日期……」排成一串你得自己猜哪些数属于同一行。第二个是条款层级。「第一条、1.1、一」这些编号和正文在文本层里是平的转出来的时候段落之间看不出从属关系。第三个是扫描件。纸质合同扫描件经常底纹模糊、印章压字字本身看不清结构更无从谈起。这三类问题恰好是「文档解析」和「文本提取」的分界线解析要先看懂页面上每个块是什么、块和块之间什么关系再按阅读顺序输出而不是一股脑倒出来。 能力总览MinerU的文档解析全家桶一种输入多种输出MinerU 支持 PDF、图片、DOCX、PPTX、XLSX 五类输入可以指一个文件也可以直接指一个目录批量处理。输出不止一个文件有人读的 Markdown、有结构化 JSON、有裁剪出来的图片还有逐块的 content_list。同一次解析的结果人、程序、模型各取所需不用二次加工。三套后端精度和硬件可以换它内置三套解析后端默认 hybrid 是精度与速度的平衡点vlm 走视觉语言模型路线精度最高需要 8GB 以上显存的 GPUpipeline 可以纯 CPU 运行兼容性最广老机器、无卡服务器都能跑。硬件够就选默认硬件不够有退路这是它比单一方案工具省心的一点。官方架构总览把流程摊得很开预处理做文档分类和扫描版识别模型层做 layout 检测、公式检测与文本 OCR管线层负责表格合并、阅读排序、无用块过滤最后统一输出 Markdown 与 JSON。 第一次跑MinerU只需要做3件事装一条pip命令先执行pip install mineru[all]。这个带 all 的安装包包含全部核心功能Windows、macOS、Linux 装法一致不需要自己搭环境。解析只记两个参数装完以后要记的只有一条mineru -p 输入路径 -o 输出目录。-p接收单个文件或整个目录-o指定结果放哪。仓库里自带几份示例 PDF可以先拿它们练手。首次运行会自动下载模型比平时慢一些之后的每次运行都走本地缓存30 页的合同在普通 GPU 机器上 2 到 5 分钟跑完。收一套完整的结果跑完后输出目录里每份文档对应一个 Markdown 和一份信息等价的 JSON外加一张图片目录。想看「页面里每个块到底是什么」content_list 按块给出了类型和顺序具体文件构成建议先看 输出文件说明拿到结果就不会对着目录发懵。 细节深挖合同的硬骨头是怎么处理的表格与公式默认就是开着的表格识别和公式解析在 MinerU 里都是默认启用不需要额外配置。合同里的价格表会被还原成标准 Markdown 表格跨页的表格会尝试合并公式则保留为 LaTeX而不是截图。如果你的文档确认没有任何表格也可以在命令行参数里关掉表格解析省下一部分解析时间。扫描件还是文本层工具自己判断解析方法默认是 autoMinerU 会先检查页面有没有可用的文本层有就直接取没有就转 OCR。对纯文本 PDF这能省掉一轮 OCR 的时间对扫描件它不会在空文本层上硬抠出乱码。也可以强制指定只走文本提取或只走 OCR并指定文档语言来提升小语种场景的识别准确率。阅读顺序与分块两栏不打架合同解析真正的差距在阅读顺序上。双栏版式、页眉页脚、页码一旦混进正文模型读到后面就开始糊涂。MinerU 先把页面切成块、按阅读顺序编号再逐块识别输出。上面这张是解析示例每个块都有独立编号标题、正文、公式、图表互不粘连你甚至可以按编号抽查输出是否正确这在排查长文档时非常有用。⚖️ 选型对照一份合同三种做法差多少以「把一份 30 页合同变成可用的结构化 Markdown」为例三种做法的差别相当直接处理方式耗时表格还原结果形态适用对象手工复制粘贴再排版40–90 分钟人工拼纯文本偶发、小批量普通PDF转换工具5–15 分钟经常拆散纯文本以纯文字为主的合同MinerU文档解析2–5 分钟自动还原为Markdown表格Markdown JSON 图片常态化、批量化处理首次运行包含模型下载表中耗时按第二次起计算。机器不够硬的时候没有 GPU 就选 pipeline 后端纯 CPU 一样能解析代价是速度和精度略降。机器老但网络好可以用 Docker 部署整套服务或者让本地客户端通过 http-client 方式连上远处一台有卡的服务器重活全部交给服务器干。模型默认托管在 huggingface网络受限的环境切换一个环境变量就能改用 modelscope 镜像源不用折腾代理。什么时候升级到VLM默认 hybrid 后端在公开基准上的端到端精度已经过 95 分日常合同足够用。如果你处理的是密集排版的扫描合同、复杂嵌套表格且手里有 8GB 以上显存的 GPU把后端换成 vlm-engine 是明显的下一步它对版面更「看得懂」换一点速度换精度。 把结果接进现有工作流接上Dify合同问答机器人解析出来的 Markdown 和 JSON 不是终点。MinerU 提供官方 Dify 插件在 Dify 工作流里挂上它上传合同 PDF 就能自动拿到解析结果再顺势灌进知识库或交给大模型做条款问答。对法务团队来说「新合同进来 → 解析入库 → 可检索」变成一条不用人盯的流水线。JSON输出给RAG和程序化调用留了口子如果你在做 RAGcontent_list 把标题、表格、公式、图片分块得明明白白直接按块切 chunk 就行不用自己再写版面规则。做程序化处理的话JSON 中间态里保留了位置坐标和块级属性表格、图片都能被代码进一步利用。两种输出都省掉了二次解析。 现在就动手三个存下来的链接想深入的话先看这三处官方文档安装方式、后端差异、FAQ 都在这里快速开始指南从装到跑通第一次解析一页讲完核心源码pipeline、hybrid、vlm 三套解析后端全在这个目录建议的第一步是把你手边那份一直拖着没转的合同丢给它跑一遍。看完输出你就知道自己库里还有哪些文档值得批量处理了。【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerU创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考