mineru-pdf

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   # macOS / Linux
$env:MINERU_MODEL_SOURCE="modelscope"   # Windows PowerShell

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。