1. 为什么需要混合架构？
在构建 RAG（检索增强生成）知识库或进行文档数据清洗时，MinerU 3.0+ 已经实现了对 .docx、.pptx 等现代 Office 格式的原生解析，速度极快且不占 GPU。
但在实际业务中，企业往往存在大量老旧的 .doc、.ppt 等二进制格式文档。MinerU 自身并不直接解析这些旧格式，而是采用了**"格式转换桥梁"**的工程策略------引入开源免费的 LibreOffice 作为底层转换引擎。
2. 混合架构的核心原理
这种混合架构的核心逻辑是**"统一转换，统一解析"**：
- 现代格式（.docx/.pptx）：MinerU 直接进行端到端的原生解析。
- 旧版格式（.doc/.ppt） ：MinerU 在后台调用 LibreOffice 的无头模式（Headless Mode），执行
soffice --headless --convert-to pdf命令，将旧格式高保真地转换为 PDF。随后，MinerU 再对这个生成的 PDF 进行高精度的版面分析、OCR 识别和切片。
这种设计避免了为每种文档格式单独开发解析器的巨大成本，同时利用 LibreOffice 强大的渲染引擎保证了转换后的 PDF 能够最大程度保留原始版式。
3. Docker 环境下的部署与配置
在纯命令行的服务器环境中，强烈推荐使用 Docker 来部署 LibreOffice，以避免缺字体、缺依赖库等环境配置问题。
Dockerfile 核心配置示例：
python
# 基于 MinerU 官方镜像进行扩展
FROM mineru-api:latest
# 安装 LibreOffice 及中文字体支持
RUN apt-get update && \
apt-get install -y --no-install-recommends libreoffice fonts-wqy-zenhei && \
apt-get clean && rm -rf /var/lib/apt/lists/*启动服务：
python
docker run -d --gpus all -p 10086:8000 --name mineru-libreoffice mineru-api:latest4. 混合使用时的注意事项
- 字体依赖 ：LibreOffice 在转换
.doc文件时，如果文档使用了特殊字体，转换后的 PDF 可能会出现乱码。务必在 Docker 镜像中预装文档所需的字体（如fonts-wqy-zenhei等中文字体）。 - 格式保真度：极少数情况下，复杂的旧版文档元素（如特殊宏、复杂排版）在转换为 PDF 时可能会有细微的排版差异。建议在入库前进行抽样质量检查。
- 性能考量 ：LibreOffice 的转换过程是 CPU 密集型任务。在批量处理大量
.doc文件时，需注意控制并发数，避免 CPU 资源耗尽。
5. 总结
MinerU + LibreOffice 的混合架构是目前处理多格式文档的最优解。MinerU 作为"指挥官"统筹解析流程，LibreOffice 作为"苦力"负责旧格式的转换。这种分工既保证了 .docx 等现代格式的极致性能，又兼顾了 .doc 等旧格式的兼容性，是构建企业级高质量知识库的必备方案。