type
status
date
slug
summary
tags
category
icon
password
本文全文1378个字，阅读需要3分钟
“ 在AI大模型狂飙的2025年，一份PDF文档可能藏着科研突破的关键数据，也可能承载着企业决策的核心信息。但面对格式混乱的PDF、图文交错的网页，你是否还在手动复制粘贴？
GitHub上爆火的国产开源项目MinerU，正在用一行代码解决这个世纪难题。”
这个工具到底能做什么？
MinerU是上海人工智能实验室的出品，它就像一位“文档翻译官”，能将PDF、网页、电子书等复杂格式一键转换为工整的Markdown或JSON。
有了它，科研党需要将200页论文中的公式批量转成LaTeX格式，原本需要3天的手动操作，MinerU只需3分钟；金融分析师处理财报时，表格自动转HTML代码，数据直接导入Excel分析；程序员抓取技术文档时，智能过滤广告和页脚，保留核心代码块。
它具备的核心能力是：
- 精准解析：智能识别文档结构（标题/段落/列表），跨模态提取图片、表格、公式，连扫描件乱码都能自动OCR修复
- 格式还原：删除页眉页脚等干扰元素，按人类阅读顺序排版，多栏文档也能正确排序
- 全场景适配：支持Windows/Mac/Linux系统，CPU/GPU/NPU多硬件加速，84种语言文档通
目前支持各种终端：
同时也支持API的方式接入，另外就和之前所说，这个项目是开源的，大家可以在这个基础上进行维护和添加。目前已经GitHub上累计了3万颗星。
在大模型的时代，MinerU的功能可能会更加珍贵，因为很多数据源都包含了很多格式和广告，用这个工具做一次数据清洗再放入大模型知识库会取得更好的效果。
使用方式
由于支持PC的客户端，MinerU 的部署方式非常简单，直接去官网（https://mineru.net/）下载对应的版本就可以进行使用了！
下载之后，我来做个测试：
- 首先，我放入这篇文章
https://www.sohu.com/a/887209656_123753?scm=10001.1586_13-100000-0_922.0-0.0.a2_5X162X1906&spm=smpc.channel_258.Block_1741338093162_272_fVRWaA_1_focus.1.1745252053248eS4mYdq_1090
可以看到这文章页面很乱，各种广告和侧边栏，正常的提取方式很难提取准确，费时费力。
- 然后我把这个县把这个页面保存为pdf，然后放入本地的MinerU客户端：
可以看到他会把一些广告主动提取出来，然后你可以直接删除，这样比直接复制方便的多了，又避免了格式问题。
另外我还做了一个以太坊2024年年度报告的pdf的切分，可以看到图和文字的切分效果还是不错的。
