| name | mineru-pdf |
| description | Parse PDF documents locally into structured Markdown/JSON using MinerU. CPU-only, privacy-first. |
| metadata | {"xiaodazi":{"dependency_level":"lightweight","os":["common"],"backend_type":"local","user_facing":true,"python_packages":["magic-pdf"]}} |
MinerU PDF 解析
本地解析 PDF 文档为结构化 Markdown 或 JSON，保留标题层级、表格、列表等结构。CPU 运行，数据不出本机。
使用场景
- 用户说「帮我把这个 PDF 转成 Markdown」「提取这个 PDF 的内容」
- 需要从 PDF 中提取结构化文本用于后续分析
- 扫描件 PDF 需要 OCR 提取文字（配合 OCR 类 Skill）
- 批量处理多个 PDF 文件
与其他 PDF 处理 Skill 的区别
| 工具 | 擅长 | 局限 |
|---|
| nano-pdf | 简单文本提取、PDF 元数据 | 不保留结构 |
| pdf-toolkit | 合并/拆分/加密/水印 | 不做内容解析 |
| mineru-pdf | 结构化解析（标题/表格/列表） | 安装包较大 |
优先使用 mineru-pdf 做内容提取，pdf-toolkit 做文件操作。
执行方式
安装
pip install magic-pdf
基本用法
magic-pdf -p /path/to/document.pdf -o /path/to/output/ -m auto
参数说明：
-p：输入 PDF 路径-o：输出目录-m：模式选择
auto：自动判断（推荐）txt：纯文本 PDFocr：扫描件 PDF
Python API
from magic_pdf.data.data_reader_writer import FileBasedDataWriter, FileBasedDataReader
from magic_pdf.pipe.UNIPipe import UNIPipe
reader = FileBasedDataReader("")
writer = FileBasedDataWriter(output_dir)
pdf_bytes = reader.read(pdf_path)
pipe = UNIPipe(pdf_bytes, model_list=[], image_writer=writer)
pipe.pipe_classify()
pipe.pipe_analyze()
pipe.pipe_parse()
md_content = pipe.pipe_mk_markdown(image_dir, drop_mode="none")
输出内容
解析后在输出目录生成：
*.md：Markdown 格式的结构化内容images/：提取的图片*.json：结构化元数据
输出规范
- 保留原文档的标题层级（H1-H6）
- 表格转换为 Markdown 表格
- 图片提取并以
 引用
- 页码标注在章节末尾
