| name | mineru |
| description | 使用 MinerU API 将 PDF/Word/PPT/图片解析为结构化 Markdown,公式保留为 LaTeX,表格保留结构,支持 OCR。适合论文解析、教材提取、扫描件文字识别等场景。 |
MinerU 文档解析
通过 MinerU API(v4)将文档解析为 Markdown。调用前确认环境变量 MINERU_TOKEN 已设置。
支持的输入
| 类型 | 格式 |
|---|
| PDF | 论文、书籍、扫描件 |
| Word | .docx |
| PPT | .pptx |
| 图片 | .jpg、.png(OCR) |
工作流程
1. 检查 Token
# Windows(PowerShell)
echo $env:MINERU_TOKEN
# 若为空,设置 Token
$env:MINERU_TOKEN = "your_api_key_here"
echo $MINERU_TOKEN
export MINERU_TOKEN="your_api_key_here"
2. 提交解析任务
curl -X POST "https://mineru.net/api/v4/extract/task" \
-H "Authorization: Bearer $MINERU_TOKEN" \
-H "Content-Type: application/json" \
-d '{
"url": "<文件URL>",
"enable_formula": true,
"enable_table": true,
"layout_model": "doclayout_yolo",
"language": "auto"
}'
参数选择指南:
| 场景 | 推荐配置 |
|---|
| 英文论文(arXiv) | language: en, layout_model: doclayout_yolo |
| 中文论文/教材 | language: ch, layout_model: doclayout_yolo |
| 复杂表格/特殊版面 | model_version: vlm(较慢但更准确) |
| 快速预览 | model_version: pipeline(默认) |
3. 轮询结果
curl "https://mineru.net/api/v4/extract/task/<task_id>" \
-H "Authorization: Bearer $MINERU_TOKEN"
重复调用直到 "status": "done",然后从返回的 result.zip_url 下载。
4. 下载并解压
# PowerShell
Invoke-WebRequest -Uri "<zip_url>" -OutFile "result.zip"
Expand-Archive -Path "result.zip" -DestinationPath "./output"
curl -o result.zip "<zip_url>"
unzip result.zip -d ./output
解压后结构:
output/
├── full.md # 完整 Markdown(主要使用此文件)
├── content_list.json # 结构化内容列表
├── images/ # 提取的图片
└── layout.json # 版面分析结果
批量解析(多文件)
curl -X POST "https://mineru.net/api/v4/file-urls/batch" \
-H "Authorization: Bearer $MINERU_TOKEN" \
-H "Content-Type: application/json" \
-d '{"file_names": ["paper1.pdf", "paper2.pdf"]}'
curl -X POST "https://mineru.net/api/v4/extract/task/batch" \
-H "Authorization: Bearer $MINERU_TOKEN" \
-H "Content-Type: application/json" \
-d '{"files": [{"url": "...", "name": "paper1.pdf"}, ...]}'
限制
| 项目 | 限制 |
|---|
| 单文件大小 | 200 MB |
| 单文件页数 | 600 页 |
参考资源