合同解析提速10倍MinerU法律PDF转Markdown完整指南【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/MinerUMinerU 是一款免费开源的文档解析工具能把合同 PDF 转成 Markdown 和 JSON表格、公式、多语言 OCR 都支持解析结果可直接喂给大模型工作流。从一份扫描版合同说起想象一下这个场景你拿到一份扫描版合同 PDF领导要求把价格表和关键条款提取出来跟另一版合同逐条对比。问题在于——扫描件里根本没有可选中的文字传统 PDF 转文字工具只会输出一堆错乱的字符表格直接碎成渣手工复制粘贴一上午也未必做对。这类文档里全是内容却拿不出能用的内容的困境就是 MinerU 要解决的。MinerU 是什么开源 PDF 转 Markdown 转换工具MinerU 由 Opendatalab 团队开发最初诞生于 InternLM 大模型预训练的数据准备阶段后来打磨成一个独立的文档解析引擎。它的定位很明确把 PDF、图片、DOCX、PPTX、XLSX 这些给人看的格式转成 Markdown 和 JSON 这类给机器读的格式。适合用它的人大致有三类需要处理合同、报告、技术文档的职场人要搭建企业知识库、RAG 系统的工程师以及想把文档数据批量结构化的数据团队。它解决的核心问题只有一个——让文档里的信息变得可检索、可编辑、可被程序复用。三步把合同 PDF 转成 Markdown第一步安装一条命令的事推荐用 pip 安装先升级 pip 会更省事pip install --upgrade pip pip install -U mineru[all]mineru[all]包含全部核心功能兼容 Windows、Linux、macOS要求 Python 3.10–3.13。如果想从源码安装可以克隆仓库后本地构建git clone https://gitcode.com/GitHub_Trending/mi/MinerU也可以走 Docker 部署支持 Linux 和 Windows WSL2macOS 建议用上面的 pip 方式。提醒一句首次运行会自动下载模型建议磁盘预留 20GB 以上SSD 体验更佳。第二步配置关键就两三个参数最简用法只有输入和输出两个参数mineru -p ./合同目录 -o ./输出目录需要按需调整时记住这几个常用开关后端默认是hybrid-engine精度最高。没有 GPU 的机器加-b pipeline即可纯 CPU 运行解析方式-m auto默认自动判断走文字提取还是 OCR、-m txt强制文字提取、-m ocr强制 OCR表格与公式默认都开启不需要时可加-t false/-f false提速页码范围-s和-e指定起止页从 0 开始只想解析部分页时很实用。第三步产出拿到可直接用的结果运行完成后输出目录里会生成三样东西Markdown 文件保留章节结构直接可编辑、按阅读顺序排列的 JSON给程序处理用、以及提取出的图片资源。合同标题、条款层级、列表、表格都会按原文逻辑组织好页眉页脚、页码这类噪音则会被自动剔除。MinerU 能帮你做什么能力盘点结构读得懂不只是字认得出MinerU 按人类阅读顺序输出文本单栏、多栏、复杂版式都能理顺标题、段落、列表的层级关系完整保留同时自动去除页眉、页脚、脚注和页码。它还能对页面做版式可视化解析质量一眼可查。表格和公式原生转换合同里的价格清单、条款对照表会被识别并转成 HTML 格式表格跨页表格还能自动合并数学公式则自动转成 LaTeX 代码。3.1 版本之后表格里嵌套的图片、公式也支持解析复杂版式的还原能力明显增强。扫描件自动兜底OCR 覆盖 109 种语言MinerU 会自动检测扫描版 PDF 和乱码 PDF 并启用 OCR中英文混合的涉外合同不在话下OCR 识别支持 109 种语言。对 pipeline 后端还可以用-l参数指定语言提示比如-l ch进一步提升识别准确率。把解析结果变成业务价值合同条款提取与对比Markdown 里的条款结构清晰定位关键条款、逐条比对两版合同的差异从翻文档变成搜文本。搭建可检索的合同知识库MD 和 JSON 天然是 RAG 友好格式入库后就能支持语义检索和历史合同查询。纸质合同电子化扫描件进来结构化数据出去文档部门的历史档案可以低成本数字化。接入大模型工作流MinerU 提供 MCP Server并与 LangChain、LlamaIndex、Dify、FastGPT、RAGFlow 等框架原生集成解析结果可以直接进入自动化审查、摘要、问答流程。选哪个后端精度与硬件要求对比MinerU 提供三种本地解析后端官方在 OmniDocBench v1.6 基准上的端到端评分如下选型基本就看这张表后端基准得分硬件门槛纯 CPU适合场景pipeline86.47显存 4GB 起支持无 GPU 环境快速稳定hybrid-engine95.39high/ 95.26medium显存 8GB 起不支持默认推荐精度与速度平衡vlm-engine95.30显存 8GB 起不支持视觉语言模型高精度解析hybrid 后端的medium档3.3 版本起默认相比high档精度只损失约 0.13 分速度却提升 35%~220%日常批处理用它最划算。效率上的变化同样直观以一份十几页的扫描合同为例处理方式耗时产出质量手动复制粘贴 重新排版30–60 分钟纯文本结构和格式全丢传统 PDF 提取工具10–15 分钟仅文字表格、公式错乱MinerU 解析2–3 分钟结构化 Markdown JSON表格转 HTML、公式转 LaTeX实战避坑清单模型下载不下来默认模型源是 HuggingFace网络不通时设置环境变量MINERU_MODEL_SOURCEmodelscope切换到国内镜像。没有 GPU 别硬跑引擎后端hybrid/vlm 引擎要求显卡8GB 显存起纯 CPU 环境请显式加-b pipeline。扫描件识别差默认auto偶尔会误判确认是扫描件就用-m ocr强制走 OCR。长文档吃内存解析超长文档时可通过MINERU_PROCESSING_WINDOW_SIZE调整单次处理窗口默认 64控制内存峰值。只解析部分页用-s/-e指定页码范围别整本跑浪费时间。macOS 用户别用 DockerDocker 部署只支持 Linux 和 Windows WSL2macOS 直接 pip 安装即可MPS 加速会自动启用。写在最后如果你的日常被 PDF 格式的合同、报告、技术文档缠身不妨先拿一份最难啃的扫描件试试 MinerU装好之后一条mineru -p 输入 -o 输出就能跑通结果不满意也可以带着样张去提 issue社区迭代速度很快。把文档变数据这件事交给工具你只需要专注数据本身的价值。相关模块与文档核心源码三种解析引擎mineru/backend/vlm/、mineru/backend/hybrid/、mineru/backend/pipeline/命令行与 API 文档docs/zh/usage/cli_tools.md、docs/zh/usage/quick_usage.md输出文件说明docs/zh/reference/output_files.md许可证LICENSE.mdMinerU 开源许可基于 Apache 2.0商用友好【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 合同解析提速10倍：MinerU法律PDF转Markdown完整指南
合同解析提速10倍MinerU法律PDF转Markdown完整指南【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/MinerUMinerU 是一款免费开源的文档解析工具能把合同 PDF 转成 Markdown 和 JSON表格、公式、多语言 OCR 都支持解析结果可直接喂给大模型工作流。从一份扫描版合同说起想象一下这个场景你拿到一份扫描版合同 PDF领导要求把价格表和关键条款提取出来跟另一版合同逐条对比。问题在于——扫描件里根本没有可选中的文字传统 PDF 转文字工具只会输出一堆错乱的字符表格直接碎成渣手工复制粘贴一上午也未必做对。这类文档里全是内容却拿不出能用的内容的困境就是 MinerU 要解决的。MinerU 是什么开源 PDF 转 Markdown 转换工具MinerU 由 Opendatalab 团队开发最初诞生于 InternLM 大模型预训练的数据准备阶段后来打磨成一个独立的文档解析引擎。它的定位很明确把 PDF、图片、DOCX、PPTX、XLSX 这些给人看的格式转成 Markdown 和 JSON 这类给机器读的格式。适合用它的人大致有三类需要处理合同、报告、技术文档的职场人要搭建企业知识库、RAG 系统的工程师以及想把文档数据批量结构化的数据团队。它解决的核心问题只有一个——让文档里的信息变得可检索、可编辑、可被程序复用。三步把合同 PDF 转成 Markdown第一步安装一条命令的事推荐用 pip 安装先升级 pip 会更省事pip install --upgrade pip pip install -U mineru[all]mineru[all]包含全部核心功能兼容 Windows、Linux、macOS要求 Python 3.10–3.13。如果想从源码安装可以克隆仓库后本地构建git clone https://gitcode.com/GitHub_Trending/mi/MinerU也可以走 Docker 部署支持 Linux 和 Windows WSL2macOS 建议用上面的 pip 方式。提醒一句首次运行会自动下载模型建议磁盘预留 20GB 以上SSD 体验更佳。第二步配置关键就两三个参数最简用法只有输入和输出两个参数mineru -p ./合同目录 -o ./输出目录需要按需调整时记住这几个常用开关后端默认是hybrid-engine精度最高。没有 GPU 的机器加-b pipeline即可纯 CPU 运行解析方式-m auto默认自动判断走文字提取还是 OCR、-m txt强制文字提取、-m ocr强制 OCR表格与公式默认都开启不需要时可加-t false/-f false提速页码范围-s和-e指定起止页从 0 开始只想解析部分页时很实用。第三步产出拿到可直接用的结果运行完成后输出目录里会生成三样东西Markdown 文件保留章节结构直接可编辑、按阅读顺序排列的 JSON给程序处理用、以及提取出的图片资源。合同标题、条款层级、列表、表格都会按原文逻辑组织好页眉页脚、页码这类噪音则会被自动剔除。MinerU 能帮你做什么能力盘点结构读得懂不只是字认得出MinerU 按人类阅读顺序输出文本单栏、多栏、复杂版式都能理顺标题、段落、列表的层级关系完整保留同时自动去除页眉、页脚、脚注和页码。它还能对页面做版式可视化解析质量一眼可查。表格和公式原生转换合同里的价格清单、条款对照表会被识别并转成 HTML 格式表格跨页表格还能自动合并数学公式则自动转成 LaTeX 代码。3.1 版本之后表格里嵌套的图片、公式也支持解析复杂版式的还原能力明显增强。扫描件自动兜底OCR 覆盖 109 种语言MinerU 会自动检测扫描版 PDF 和乱码 PDF 并启用 OCR中英文混合的涉外合同不在话下OCR 识别支持 109 种语言。对 pipeline 后端还可以用-l参数指定语言提示比如-l ch进一步提升识别准确率。把解析结果变成业务价值合同条款提取与对比Markdown 里的条款结构清晰定位关键条款、逐条比对两版合同的差异从翻文档变成搜文本。搭建可检索的合同知识库MD 和 JSON 天然是 RAG 友好格式入库后就能支持语义检索和历史合同查询。纸质合同电子化扫描件进来结构化数据出去文档部门的历史档案可以低成本数字化。接入大模型工作流MinerU 提供 MCP Server并与 LangChain、LlamaIndex、Dify、FastGPT、RAGFlow 等框架原生集成解析结果可以直接进入自动化审查、摘要、问答流程。选哪个后端精度与硬件要求对比MinerU 提供三种本地解析后端官方在 OmniDocBench v1.6 基准上的端到端评分如下选型基本就看这张表后端基准得分硬件门槛纯 CPU适合场景pipeline86.47显存 4GB 起支持无 GPU 环境快速稳定hybrid-engine95.39high/ 95.26medium显存 8GB 起不支持默认推荐精度与速度平衡vlm-engine95.30显存 8GB 起不支持视觉语言模型高精度解析hybrid 后端的medium档3.3 版本起默认相比high档精度只损失约 0.13 分速度却提升 35%~220%日常批处理用它最划算。效率上的变化同样直观以一份十几页的扫描合同为例处理方式耗时产出质量手动复制粘贴 重新排版30–60 分钟纯文本结构和格式全丢传统 PDF 提取工具10–15 分钟仅文字表格、公式错乱MinerU 解析2–3 分钟结构化 Markdown JSON表格转 HTML、公式转 LaTeX实战避坑清单模型下载不下来默认模型源是 HuggingFace网络不通时设置环境变量MINERU_MODEL_SOURCEmodelscope切换到国内镜像。没有 GPU 别硬跑引擎后端hybrid/vlm 引擎要求显卡8GB 显存起纯 CPU 环境请显式加-b pipeline。扫描件识别差默认auto偶尔会误判确认是扫描件就用-m ocr强制走 OCR。长文档吃内存解析超长文档时可通过MINERU_PROCESSING_WINDOW_SIZE调整单次处理窗口默认 64控制内存峰值。只解析部分页用-s/-e指定页码范围别整本跑浪费时间。macOS 用户别用 DockerDocker 部署只支持 Linux 和 Windows WSL2macOS 直接 pip 安装即可MPS 加速会自动启用。写在最后如果你的日常被 PDF 格式的合同、报告、技术文档缠身不妨先拿一份最难啃的扫描件试试 MinerU装好之后一条mineru -p 输入 -o 输出就能跑通结果不满意也可以带着样张去提 issue社区迭代速度很快。把文档变数据这件事交给工具你只需要专注数据本身的价值。相关模块与文档核心源码三种解析引擎mineru/backend/vlm/、mineru/backend/hybrid/、mineru/backend/pipeline/命令行与 API 文档docs/zh/usage/cli_tools.md、docs/zh/usage/quick_usage.md输出文件说明docs/zh/reference/output_files.md许可证LICENSE.mdMinerU 开源许可基于 Apache 2.0商用友好【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