MinerU 能够准确识别并提取 PDF 中的图文、表格、公式等复杂元素

1、github路径

https://github.com/opendatalab/MinerU

2、docker 部署

https://opendatalab.github.io/MinerU/zh/quick_start/docker_deployment/

通过 Docker Compose 直接启动服务

提供了compose.yml文件，可以通过它来快速启动MinerU服务。

# 下载 compose.yaml 文件
wget https://gcore.jsdelivr.net/gh/opendatalab/MinerU@master/docker/compose.yaml

• compose.yaml文件中包含了MinerU的多个服务配置，可以根据需要选择启动特定的服务。
• 不同的服务可能会有额外的参数配置，可以在compose.yaml文件中查看并编辑。
• 由于vllm推理加速框架预分配显存的特性，可能无法在同一台机器上同时运行多个vllm服务，因此请确保在启动vlm-openai-server服务或使用vlm-vllm-engine后端时，其他可能使用显存的服务已停止。

---

启动 openai兼容接口 服务

并通过vlm-http-client后端连接openai-server

docker compose -f compose.yaml --profile openai-server up -d

在另一个终端中通过http client连接openai server（只需cpu与网络，不需要vllm环境）

mineru -p <input_path> -o <output_path> -b vlm-http-client -u http://<server_ip>:30000

---

启动 Web API 服务

docker compose -f compose.yaml --profile api up -d

在浏览器中访问 http://<server_ip>:8000/docs 查看API文档。

---

启动 MinerU Router 服务

docker compose -f compose.yaml --profile router up -d

• 默认配置会以 --local-gpus auto 模式在容器内自动拉起本地 worker，并通过 http://<server_ip>:8002/docs 暴露统一入口。
• 如果您希望聚合已有的 mineru-api 服务而不是启动本地 worker，可直接参考 compose.yaml 中 mineru-router 服务下的注释示例，改为使用 --upstream-url。

---

启动 Gradio WebUI 服务

docker compose -f compose.yaml --profile gradio up -d

• 在浏览器中访问 http://<server_ip>:7860 使用 Gradio WebUI。

3、参数解释

在浏览器中访问 http://<server_ip>:8000/docs 查看API文档

接口功能说明

接口	方法	功能	使用场景
/file_parse	POST	同步解析	小文件、实时返回结果
/tasks	POST	提交异步任务	大文件、批量处理
/tasks/{task_id}	GET	查询任务状态	轮询异步任务进度
/tasks/{task_id}/result	GET	获取任务结果	获取异步任务解析结果
/health	GET	健康检查	监控服务状态

什么时候用异步任务？

场景	推荐方式	原因
文件 < 10MB	同步 /file_parse	快速返回，简单直接
文件 > 10MB	异步 /tasks	避免超时，可轮询
批量处理多个文件	异步 /tasks	后台处理，不阻塞
网页集成	异步 /tasks	更好的用户体验
脚本/自动化	同步或异步均可	根据文件大小选择

核心参数详解

必填参数

参数	说明	示例
files	要解析的文件（PDF/图片/DOCX）	支持多文件上传

语言设置 (lang_list)

根据文档类型选择：

# 中文文档（推荐）
lang_list: ["ch"]           # 中英繁混合

# 纯英文文档
lang_list: ["en"]           # 英文

# 日文文档
lang_list: ["japan"]        # 中日英繁

# 多语言混合（欧洲语言）
lang_list: ["latin"]        # 支持法语、德语、西班牙语等37种语言

# 俄语/乌克兰语
lang_list: ["east_slavic"]  # 俄语、白俄语、乌克兰语

# 阿拉伯语
lang_list: ["arabic"]       # 阿拉伯语、波斯语、乌尔都语等

后端选择 (backend)

后端	适用场景	硬件要求	特点
pipeline	通用场景	CPU/GPU 均可	无幻觉、多语言、资源占用低
hybrid-auto-engine	高精度需求	GPU 8GB+	下一代方案，精度最高
vlm-auto-engine	中英文高精度	GPU 8GB+	基于VLM，精度高
vlm-http-client	远程调用	仅需网络	连接 OpenAI 兼容服务器

解析方法 (parse_method)

仅对 pipeline/hybrid 后端有效：

parse_method: "auto"    # 自动选择（推荐）
parse_method: "txt"     # 强制文本提取（适合文本型PDF）
parse_method: "ocr"     # 强制OCR（适合扫描件）

功能开关

formula_enable: true     # 启用公式解析（转为LaTeX）
table_enable: true       # 启用表格解析（转为HTML）

返回内容控制

return_md: true              # Markdown格式（最常用）
return_content_list: true    # 结构化内容列表
return_middle_json: false    # 中间结果（调试用）
return_model_output: false   # 模型输出（调试用）
return_images: true          # 提取的图片

高级选项

start_page_id: 0        # 起始页（从0开始）
end_page_id: 10         # 结束页（不包含10）
response_format_zip: true   # 返回ZIP包
return_original_file: true  # 包含原文件（ZIP模式）

4、示例1

针对不确定是文字版还是扫描版 且含有表格 的PDF，auto + table_enable=true 是最佳组合。

parse_method: "auto"     # 自动识别文档类型，智能选择txt/ocr
table_enable: true       # 启用表格解析，转为HTML格式
formula_enable: true     # 启用公式解析（如果文档有公式）

auto 模式的工作原理

auto 模式会智能判断：

文档类型	自动选择方法	说明
文字版PDF（可选中的文本）	txt 模式	直接提取文本，速度快，无OCR误差
扫描版PDF（图片形式）	ocr 模式	自动调用OCR识别文字
混合型PDF（部分页面扫描）	逐页判断	每页独立选择最优方法

推荐的完整配置

针对此场景，建议这样设置：

# 基础配置
files: 你的文档.pdf
parse_method: auto           # 自动识别文字版/扫描版
backend: pipeline            # 通用后端，兼容性好
lang_list: ["ch"]            # 中文文档（根据实际调整）

# 功能开关
table_enable: true           # 表格解析（推荐）
formula_enable: true         # 公式解析（如果有公式）
return_md: true              # 返回Markdown

# 输出控制
return_content_list: true    # 返回结构化内容（方便程序处理）
response_format_zip: false   # 先用JSON测试，需要图片再改ZIP

5、使用如下

方式1：cURL 命令

curl -X POST "http://服务器ip:port/file_parse" \
  -F "files=@document.pdf" \
  -F "parse_method=auto" \
  -F "table_enable=true" \
  -F "formula_enable=true" \
  -F "lang_list=ch" \
  -F "backend=pipeline" \
  -F "return_md=true" \
  -F "return_content_list=true"

方式2：Python 调用

import requests

url = "http://服务器ip:port/file_parse"

files = {
    'files': ('document.pdf', open('document.pdf', 'rb'))
}

data = {
    'parse_method': 'auto',      # 自动识别
    'table_enable': True,        # 解析表格
    'formula_enable': True,      # 解析公式
    'lang_list': ['ch'],         # 中文
    'backend': 'pipeline',       # 通用后端
    'return_md': True,
    'return_content_list': True
}

response = requests.post(url, files=files, data=data)
result = response.json()

# 保存 Markdown
with open('output.md', 'w', encoding='utf-8') as f:
    f.write(result['md_content'])

# 如果包含表格，在Markdown中会呈现为HTML格式
print(result['md_content'])

表格解析效果

启用 table_enable=true 后，表格会被解析为 HTML 格式嵌入在 Markdown 中：

# 解析结果示例

这是文档中的一段文字。

<table>
  <tr>
    <th>姓名</th>
    <th>年龄</th>
    <th>职位</th>
  </tr>
  <tr>
    <td>张三</td>
    <td>28</td>
    <td>工程师</td>
  </tr>
  <tr>
    <td>李四</td>
    <td>32</td>
    <td>经理</td>
  </tr>
</table>

后续文字...

如何确认解析效果

方法1：查看返回的 content_list

{
  "content_list": [
    {"type": "text", "content": "段落文字..."},
    {"type": "table", "content": "<table>...</table>", "html": "..."},
    {"type": "formula", "content": "$$E=mc^2$$", "latex": "..."}
  ]
}

方法2：检查 parse_method 实际使用的方法

从日志或响应中可以看到系统选择了哪种方法：

• 如果是文字版：自动用 txt

• 如果是扫描版：自动用 ocr

高级建议

如果表格解析不理想

# 可以尝试 hybrid 后端（如果GPU显存≥8GB）
backend: hybrid-auto-engine
table_enable: true

如果文档包含多种语言

lang_list: ["ch", "en"]  # 同时支持中文和英文

如果需要提取表格中的公式

table_enable: true
formula_enable: true    # 表格内的公式也会被解析

注意事项

1. 表格复杂度：简单表格（3-5列）解析效果好，复杂嵌套表格可能有偏差

2. OCR准确性：扫描版表格的识别精度取决于扫描质量

3. 性能 ：auto 模式会逐页判断，大文件处理时间稍长