mineru-pdf-parser
用 MinerU 将复杂PDF文档转换为LLM友好的Markdown/JSON格式。适用于：(1) PDF转Markdown/JSON，(2) 提取PDF中的文本、表格、公式、图像，(3) 解析学术论文、技术文档、商业报告，(4) 为RAG应用准备文档数据，(5) 批量处理PDF。触发关键词："PDF解析"、"PDF转Markdown"、"提取PDF表格/公式"、"MinerU"、"parse PDF"等。不用于：PDF的阅读/填表/签名/拆分合并（用宿主pdf工具）、Word/PPT等非PDF格式解析、只需读几页内容的场景（直接读即可，不必转换）。
适合你，如果需要从PDF中提取文本、表格和公式用于AI处理。
npx oh-my-skill add staruhub/claudeskills/mineru-pdf-parsercurl -fsSL https://oh-my-skill.com/install.sh | bash -s -- staruhub/claudeskills/mineru-pdf-parsernpx oh-my-skill verify staruhub/claudeskills/mineru-pdf-parser怎么用
商店整理自技能原文 · 版本 3d4045d · 表述以原文为准安装后，Claude 能用 MinerU 工具把 PDF 文档转成 Markdown 或 JSON 格式，方便后续处理。
当你提到“PDF解析”、“PDF转Markdown”、“提取PDF表格/公式”等关键词，或要求处理PDF文档时触发。
技能原文 SKILL.md
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](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JSONimages/- 提取的图像{filename}_middle.json- 中间结果（调试）
格式详情见 [references/output_formats.md](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](references/best_practices.md)
验收标准（解析任务完成前自查）
- [ ] 输出目录里
.md与_content_list.json都存在,把实际路径回报用户 - [ ] 抽查 1-2 页对照原 PDF:表格/公式没有明显丢失或错乱;有问题主动告知而不是静默交付
- [ ] backend 选择有依据(简单文本→pipeline;公式表格密集→vlm;拿不准→hybrid)
- [ ] 批量任务报告成功/失败清单,失败的给原因
已知陷阱
| 陷阱 | 具体表现 | 应对 | |------|---------|------| | 首次运行缺模型 | 未执行 mineru-models-download 直接解析报错 | 安装后先跑模型下载;下载体积大,提前告知用户耗时 | | 无 GPU 硬跑 vlm | CPU 上 vlm 模式极慢,像卡死 | 无 GPU 时用 pipeline/hybrid;有 GPU 改 ~/.mineru.json 的 device-mode 为 cuda | | 扫描件预期过高 | 低清晰度扫描 PDF 解析质量差 | 提前告知扫描件效果取决于清晰度;结果差时换 backend 重试一次,仍差则如实报告 | | 大文件内存压力 | 数百页 PDF 单次解析内存暴涨 | 大文件分批解析或按章节拆分 |
脚本
使用 scripts/mineru_parse.py 进行解析，支持错误处理和日志记录。