| name | mineru-pdf |
| description | 使用 MinerU（上海 AI Lab）进行高精度 PDF 内容提取。 当用户需要从复杂 PDF 中提取文本、公式、表格或图片时使用此 skill — 尤其是学术论文、多栏排版、扫描文档，或任何 pypdf 产生 /Cxx 乱码的 PDF。 触发词："MinerU"、"解析这篇论文"、"提取 PDF 公式"、"这个 PDF 乱码了"、 "扫描件 OCR"、"双栏 PDF"，或任何涉及 PDF 公式 / 图片提取的请求。 即使用户没有明确说 "MinerU"，当他们抱怨 PDF 文本乱码或需要高质量提取时， 主动建议使用此 skill。对于简单的单栏纯文字 PDF，默认 pdf skill 更快。
|
MinerU PDF 内容提取
概述
MinerU 是一个文档解析引擎，能处理 pypdf/pdfplumber 无法胜任的场景：数学公式、多栏排版的阅读顺序、带位置元数据的图片提取、扫描件 OCR。完全本地运行（无需 API Key，模型下载后无需网络）。
本 skill 仅用于内容提取。PDF 编辑操作（合并、拆分、旋转、水印、加密、表单）请使用标准 pdf skill。
工作流程
1. 检查安装
pip show mineru
如未安装：
pip install "mineru[pipeline]"
首次运行会自动下载模型（~2 GB）。如果 HuggingFace 下载慢或被墙，切换到 ModelScope（国内镜像）：
export MINERU_MODEL_SOURCE=modelscope
$env:MINERU_MODEL_SOURCE="modelscope"
设为 ModelScope 后从 modelscope.cn 下载，国内速度快很多。这个环境变量只需在首次运行前设置一次。
2. 运行 MinerU
mineru -p "文件路径" -o "输出目录/" -b pipeline
关键选项（按需向用户说明）：
| 参数 | 使用场景 |
|---|
-l en | 非中文文档（默认 ch） |
-f False | 无公式时跳过公式识别，节省时间 |
-t False | 无表格时跳过表格识别 |
-s N -e M | 只处理指定页码范围 |
3. 报告结果
提取完成后，向用户总结：
- 处理了多少页
- 输出目录和关键文件
- 提取到的图片、公式、表格数量
- 标注任何异常（空页、缺失内容等）
输出结构
输出目录/<文件名>/auto/
├── <文件名>.md # 结构化 Markdown
├── <文件名>_content_list.json # 元素元数据
├── <文件名>_model.json # 版面检测结果
├── <文件名>_middle.json # 中间处理数据
└── images/ # 提取的图片（JPG）
Markdown 保留了文档结构（标题层级、阅读顺序、图片引用）。JSON 提供每个元素的 type、bbox、page_idx 和 text，方便下游处理。
性能参考
首次运行从 HuggingFace 下载模型（~2 GB），永久缓存。后续运行跳过此步骤。
| PDF 类型 | 约需时间 |
|---|
| 10 页纯文字 | 1 分钟 |
| 7 页学术论文（公式 + 图片） | 3 分钟 |
| 30 页扫描章节 | 10-15 分钟 |
纯 CPU 环境也可运行，但较慢。GPU 可显著加速版面检测和公式识别。
