PDF 解析是 RAG 管道中工程量最密集的环节。PyMuPDF 提取文本但丢失结构，unstructured 做版面分析但表格识别粗糙，商业 API 质量好但成本不可控。OpenDataLab 的 MinerU（GitHub 77K Star）试图用三后端解耦架构解决这个问题。
技术定位：LLM 数据管道的前置基础设施
MinerU 不是又一个 PDF 转文本工具。它是一个高精度文档解析引擎，将 PDF、DOCX、PPTX、XLSX、图片转换为结构化的 Markdown 和 JSON，核心能力是版面理解、公式转 LaTeX、表格转 HTML、阅读顺序还原。与 PyMuPDF 的本质区别在于：MinerU 做的是模型级的文档结构理解，而非字符级的文本提取。
核心能力：四个工程化设计
三后端解耦，精度与成本可调。 pipeline 后端纯 CPU 可跑、无幻觉，适合快速处理；vlm-engine 用 MinerU2.5-Pro 视觉语言模型，精度最高；hybrid-engine 结合原生文本提取与 VLM 补充。OmniDocBench v1.6 基准上，pipeline 得分 86.47，hybrid/vlm 达 95.30 以上。3.3 版本新增 effort 参数，medium 模式相比 high 仅降低 0.13 分，速度提升 35%-220%。
表格识别是模型级结构理解。 使用 TableStructureRec 进行表格结构识别，输出 HTML 格式，支持 rowspan/colspan 合并单元格。3.1.0 版本加入跨页表格自动合并和表格内图片/公式识别，自动提取表格标题和脚注。这不是 OCR 后正则匹配的方案。
公式与多语言 OCR 原生支持。 UniMERNet 将数学公式转为 LaTeX，PP-OCRv6 支持 109 种语言识别，3.4 版本 OCR 准确率提升约 11%。自动检测扫描 PDF 和乱码 PDF 并启用 OCR，无需手动配置。
生产级编排架构。 3.0 版本引入 mineru（客户端）+ mineru-api（FastAPI 服务）+ mineru-router（多 GPU 负载均衡）三层架构。线程安全、滑动窗口处理长文档、流式写入磁盘。支持 Docker、CLI、REST API、Gradio WebUI、MCP Server，以及 Python/Go/TypeScript 三语言 SDK。
风险与局限
🟡 许可证需法务审查。 MinerU Open Source License 基于 Apache 2.0 但附加了条件，spdx_id 为 NOASSERTION。相比 v3.1.0 之前的 AGPLv3 已大幅改善，但商业部署前仍需审查具体条款。项目已在 3.0.0 移除了所有 AGPLv3 和 CC-BY-NC-SA 依赖模型。
🟡 资源门槛不低。 pipeline 后端最低 4GB VRAM + 16GB RAM + 20GB 磁盘，VLM 后端需 8GB VRAM。纯 CPU 可运行但速度有限，生产环境建议 GPU 加速。Windows 因 ray 依赖不支持 Python 3.13，Docker 仅支持 Linux/WSL2。
🟡 VLM 后端输出与 pipeline 不向后兼容。 2.5 版本 VLM 输出结构有重大变更，基于结构化输出做二次开发的团队需要适配。content_list_v2.json 是 3.0 新增的统一格式，但仍是开发版本。
选型建议
推荐采用： RAG 知识库构建、LLM 数据预处理、学术文献/财报/合同批量解析、需要表格和公式结构化输出的场景、需要本地部署避免数据外流的企业。
不推荐采用： 毫秒级实时在线解析（VLM 推理有延迟）、纯 CPU 环境的超大批量处理（速度受限）、对输出格式稳定性要求极高的二次开发（VLM 输出仍在迭代）。
竞品取舍： 相比 PyMuPDF/pypdf，MinerU 的优势是结构化理解（表格/公式/版面），劣势是部署复杂度。相比 unstructured，MinerU 的表格识别精度和中文支持显著更好。相比商业 API（如 Azure Document Intelligence），MinerU 可本地部署、无数据外流、无 API 成本，但需要自行运维。
落地实践
安装推荐 pip install uv && uv pip install -U "mineru[all]"，首次使用默认从 HuggingFace 拉取模型，国内环境设 export MINERU_MODEL_SOURCE=modelscope。快速验证用 mineru -p input.pdf -o output/，CPU 环境加 -b pipeline。生产部署用 mineru-api 启动 FastAPI 服务，多 GPU 场景用 mineru-router --local-gpus auto。表格密集型文档建议用 hybrid-engine + effort high。长文档无需手动拆分，滑动窗口机制自动处理。
Github地址：https://github.com/opendatalab/MinerU
