Mineru Pdf

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//auto/
├── .md                  # 结构化 Markdown
├── _content_list.json   # 元素元数据
├── _model.json          # 版面检测结果
├── _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。

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: hawkongz
• Source: hawkongz/mineru-pdf
• License: MIT

Install and usage instructions live in the source repository linked above.