MinerU（文档智能解析工具）

# 安装 uv 包管理器（推荐，比 pip 更快）
pip install --upgrade pip
pip install uv

# 安装 MinerU 全量版（包含所有后端，推荐）
uv pip install -U "mineru[all]"

# 或只安装核心功能
uv pip install -U "mineru[core]"

# GPU 加速（默认 hybrid 后端）
mineru -p document.pdf -o ./output

# 纯 CPU 模式（使用 pipeline 后端）
mineru -p document.pdf -o ./output -b pipeline

import os
from pathlib import Path
from mineru.cli.common import do_parse
from mineru.utils.enum_class import MakeMode

def parse_pdf(pdf_path: str, output_dir: str = "./output"):
    """使用 MinerU 解析 PDF 文件，输出 Markdown 和 JSON"""
    os.makedirs(output_dir, exist_ok=True)

    # 读取 PDF 文件
    pdf_path = Path(pdf_path)
    with open(pdf_path, "rb") as f:
        pdf_bytes = f.read()

    # 调用 do_parse 执行解析
    # backend 可选：pipeline / vlm-auto-engine / hybrid-auto-engine
    do_parse(
        output_dir=output_dir,
        pdf_file_names=[pdf_path.stem],
        pdf_bytes_list=[pdf_bytes],
        p_lang_list=["ch"],              # 文档语言，ch=中文，en=英文
        backend="pipeline",              # 纯 CPU 用 pipeline，有 GPU 用 hybrid-auto-engine
        parse_method="auto",             # auto 自动检测文本型/扫描型
        f_dump_md=True,                  # 输出 Markdown 文件
        f_dump_content_list=True,        # 输出内容列表 JSON
        f_dump_middle_json=True,         # 输出中间 JSON（供二次开发）
        f_make_md_mode=MakeMode.MM_MD,   # Markdown 输出模式
    )

    print(f"解析完成！输出目录: {output_dir}/{pdf_path.stem}")

# 使用示例
if __name__ == "__main__":
    pdf_file = "sample.pdf"
    if os.path.exists(pdf_file):
        parse_pdf(pdf_file)
    else:
        print(f"请准备 PDF 文件: {pdf_file}")
        print("用法: python script.py")

解析完成！输出目录: ./output/sample

from pathlib import Path
from mineru.cli.common import do_parse

# 只解析指定页码范围
do_parse(
    output_dir="./output",
    pdf_file_names=["report"],
    pdf_bytes_list=[pdf_bytes],
    p_lang_list=["ch"],
    backend="hybrid-auto-engine",     # 使用 hybrid 后端（需要 GPU）
    parse_method="auto",
    formula_enable=True,              # 启用公式识别
    table_enable=True,                # 启用表格识别
    start_page_id=0,                  # 从第 0 页开始
    end_page_id=10,                   # 到第 10 页结束
    f_dump_md=True,
    f_draw_layout_bbox=True,          # 输出带版面标注的可视化图片（调试用）
)

# 模型下载源切换（默认 HuggingFace，国内用户可切换为 ModelScope）
export MINERU_MODEL_SOURCE=modelscope