MinerU 的 PDF 转 Markdown 是什么效果
MinerU 把 PDF、DOCX、PPTX、XLSX、图片、网页六类输入转成 Markdown 和 JSON，公式输出 LaTeX、表格输出 HTML，扫描件和手写内容走 OCR，输出按人类阅读顺序排列并自动去掉页眉页脚（以上能力出自官方 README）。它是 OpenDataLab 出品的开源项目，GitHub Star 约 8 万（2026 年 9 月），这篇文章按内容类型拆解转换效果，并给一份可执行的质检清单。环境还没装好的先看MinerU 安装教程，本文只谈转换本身。
命令行调用就一行，装好后即可复现文中所有效果：
mineru -p <input_path> -o <output_path>输入与输出：六类输入，多种产物
输入侧覆盖六类文件：PDF、DOCX、PPTX、XLSX、图片、网页，其中 DOCX、PPTX、XLSX 是 3.1.0 起的原生解析，不再先转 PDF 再解析——官方 Changelog 给出的对比数据是端到端提速数十倍。输出侧不止 Markdown 一种，按用途选：
| 输出物 | 用途 |
|---|---|
| 多模态 Markdown | 含图片引用、表格 HTML、公式 LaTeX，适合 RAG 入库和发布 |
| NLP Markdown | 纯文本倾向，适合切块训练语料 |
| 按阅读顺序排序的 JSON | 带结构信息，适合程序化处理 |
| 版面与 span 可视化 | 人工核对解析质量的证据 |
给 RAG 用就选多模态 Markdown；要写脚本后处理，JSON 比正则解析 Markdown 稳得多。
表格：转 HTML、跨页合并、表格里嵌图嵌公式
表格是 PDF 转 Markdown 最容易翻车的环节，MinerU 的处理方式有三层。第一层，表格转 HTML 而非 Markdown 表格——HTML 能表达合并单元格与复杂嵌套，Markdown 表格语法表达不了，这是正确的工程取舍。第二层，跨页表格合并：长表格跨页断裂后自动接回一张表，3.1.0 起支持（官方 Changelog）。第三层，3.0.0 起支持解析表格内部的图片与公式，财报、实验报告里”表格单元格里放图表”的场景不再丢内容。
验收表格质量看两点：行列数与原表对不对得上，合并单元格的层级有没有保住。行列对但内容错位的表，多半是版面检测把两个相邻表格粘在了一起。
公式：转 LaTeX，行间公式带编号
公式自动识别并转 LaTeX 是 MinerU 的看家能力，项目最初就是为解决科学文献符号转换问题而生（官方 README）。3.0.0 起支持行间公式编号识别，论文里”(3)“这类编号不再丢。转出来的 LaTeX 可以直接进支持 MathJax 或 KaTeX 的渲染器验证，渲染不出来的公式基本就是识别出了错，肉眼比对原 PDF 即可定位。数学、物理类文献是公式识别的重灾区，建议这类文档优先用精度更高的 VLM 后端而不是 pipeline。
扫描件、手写与复杂版式：OCR 路线
扫描件不需要特殊开关：MinerU 自动检测扫描版和乱码 PDF 并启用 OCR（官方 README），OCR 支持 109 种语言。手写内容、多栏版式、竖排文本、印章文字在 3.0.0 起陆续支持（官方 Changelog），合同、公文、档案这类”非印刷体密集”的文档是主要受益者。
OCR 模型在 3.4（2026-06-18）升级为 PP-OCRv6：OmniDocBench v1.6 上 OCR 精度提升约 11%，OCR 处理速度提升约 100%（官方 Changelog）。同版本还做了一次简化：日语、繁体中文、英语、拉丁语系不再单列 OCR 语言选项，统一路由到 ch 模型，配置更省心。处理整册扫描档案时，速度翻倍意味着批处理窗口直接减半。
阅读顺序重建与页眉页脚清除
MinerU 输出符合人类阅读顺序的文本，兼容单栏、多栏和复杂版式，同时自动去除页眉、页脚、页码、脚注（官方 README）。这两件事对下游影响极大：多栏 PDF 若按坐标从左到右直抽，两栏文字会逐行交错成乱码；页眉页脚混进语料后，每次切块都带上”第 12 页”这类噪声，检索时稀释相关度。3.1.0 还加了截断段落合并，跨页断开的句子自动接续。抽查阅读顺序的办法很直接：找一份双栏文档，看标题、正文、图表说明在输出里的先后是否和肉眼看 PDF 一致。
后端与 effort 档位：效果和速度的权衡
后端选择直接决定同一份 PDF 的转换效果。官方 README 部署表给出的 OmniDocBench v1.6 端到端总分：pipeline 后端 86.47，hybrid 后端 95.39（high）/ 95.26（medium），vlm 后端 95.30。
hybrid 后端 3.3 起引入 effort 档位，默认 medium：相比 high，OmniDocBench v1.6 总分只低 0.13 分，速度提升 35%~220%，按平台细分是 Linux 约 80%（文本 PDF）/ 35%（OCR 场景），Windows 约 90% / 45%，macOS 约 220% / 50%（官方 Changelog）。medium 的唯一功能牺牲是不支持图片分析。工程建议：日常批量转换用默认 medium，需要图片分析或冲击最高精度时切 high；速度敏感、机器一般的批量任务用 pipeline。
批量任务另有两层保障（官方 Changelog，3.0.0）：滑动窗口机制显著压低长文档解析的峰值内存，数万页文档不需要手动拆分；批量推理支持流式写盘，先完成的结果及时落盘，多线程并发推理也已线程安全。配合 mineru-router 做多 GPU 任务分发，长跑任务中断后重跑的代价小很多。
转换后的质检清单
批量转换前先抽检，这份清单按优先级排（工程建议，非官方要求）：
- 表格行数：输出 HTML 表格的行数与原 PDF 对比，行列数错位最常见；
- 公式渲染：LaTeX 逐段过一遍 MathJax/KaTeX 渲染，渲染失败的即识别错误；
- 图片引用：Markdown 里的图片链接是否可访问、截图是否对应原文位置；
- 阅读顺序：双栏或多栏页抽查段落先后顺序；
- 版面可视化：核对版面检测框有没有把页眉误判为正文。
抽检通过后再放全量任务，比转完一万页再返工便宜得多。质量对比与选型问题见MinerU 对比同类工具，转换结果如何进 RAG 管线见MinerU 的 RAG 与 MCP 集成指南。
常见问题
mineru pdf 转 markdown 具体怎么操作？
安装 mineru 包后执行 mineru -p 输入路径 -o 输出路径 即可，输出目录里得到 Markdown、JSON 与可视化结果；无 GPU 加 -b pipeline 参数用 CPU 跑。不想装环境可以直接在 mineru.net 在线版上传 PDF 得到同样格式的结果。
PDF 转 Markdown 用什么工具好？
含扫描件、表格、公式的复杂文档，MinerU 这类版面解析引擎效果最稳；纯文本 PDF 用轻量库抽文本即可。MinerU 与 Marker、Docling、PaddleOCR 的定位差异见本站横评文章，选型核心看许可证、中文效果与部署形态。
mineru 对扫描件和手写的识别效果怎么样？
扫描件自动启用 OCR，支持 109 种语言与手写内容，3.4 版本换用 PP-OCRv6 后精度提升约 11%、速度提升约 100%（官方 Changelog）。手写、竖排、印章文字均支持，但识别质量依文档清晰度浮动，建议先拿自家样张在在线版试测。