geek-skills-mineru-pdf-parser

name	Geek-skills-mineru-pdf-parser
version	1.0.0
description	PDF解析工具，将复杂PDF文档转换为LLM友好的Markdown/JSON格式。适用于：(1) 将PDF转换为Markdown或JSON格式，(2) 提取PDF中的文本、表格、公式、图像，(3) 处理学术论文、技术文档、商业报告的PDF解析，(4) 为RAG应用准备高质量文档数据，(5) 批量处理PDF文件。触发关键词包括："PDF解析"、"PDF转Markdown"、"PDF转JSON"、"提取PDF表格"、"提取PDF公式"、"MinerU"、"文档解析"、"PDF extraction"、"convert PDF"、"parse PDF"等。

MinerU PDF Parser

将复杂PDF文档转换为机器可读的Markdown/JSON格式，适用于LLM和RAG应用。

安装

# 推荐使用uv安装
pip install uv
uv pip install -U "mineru[all]"

# 下载模型（首次使用）
mineru-models-download

快速使用

命令行

# 解析单个PDF
mineru -p input.pdf -o output_dir

# 批量解析
mineru -p pdf_folder/ -o output_dir

# 指定解析模式
mineru -p input.pdf -o output_dir --backend vlm      # VLM模式（高精度）
mineru -p input.pdf -o output_dir --backend pipeline # Pipeline模式（快速）
mineru -p input.pdf -o output_dir --backend hybrid   # 混合模式（平衡）

Python API

from mineru import MinerU

mineru = MinerU()
result = mineru.parse("document.pdf")

# 获取输出
markdown = result.to_markdown()
json_data = result.to_json()

详细API见 references/api_reference.md

解析模式选择

模式	特点	适用场景
pipeline	快速、资源少	简单文档、纯文本PDF
vlm	高精度、复杂布局	学术论文、公式表格文档
hybrid	平衡速度精度	通用场景

输出文件

• {filename}.md - Markdown正文
• {filename}_content_list.json - 结构化JSON
• images/ - 提取的图像
• {filename}_middle.json - 中间结果（调试）

格式详情见 references/output_formats.md

最佳实践

学术论文

mineru -p paper.pdf -o output --backend vlm

批量处理

from mineru import MinerU
import os

mineru = MinerU(backend="hybrid")
for pdf in os.listdir("pdfs/"):
    if pdf.endswith(".pdf"):
        result = mineru.parse(f"pdfs/{pdf}")
        result.save(f"output/{pdf[:-4]}/")

RAG数据准备

sections = result.get_sections()
for section in sections:
    vector_db.add(section.title, section.content)

启用GPU加速

修改 ~/.mineru.json 中 device-mode 为 cuda。

更多见 references/best_practices.md

脚本

使用 scripts/mineru_parse.py 进行解析，支持错误处理和日志记录。