MinerU 文档提取器（通过 mineru-open-api）

MinerU 是一款强大的文档提取工具。安装 MinerU CLI 后，即可在数秒内将文档转换为 Markdown 格式。

安装

bash
npm install -g mineru-open-api

或通过 Go 安装（macOS/Linux）：

bash
go install github.com/opendatalab/MinerU-Ecosystem/cli/mineru-open-api@latest

验证安装：mineru-open-api version

两种 MinerU 提取模式

MinerU 核心工作流程

1. 1. 快速启动 MinerU（无需 Token）：mineru-open-api flash-extract <文件> 快速转换为 Markdown
2. 需要更多功能？ 在 https://mineru.net/apiManage/token 创建 Token，运行 mineru-open-api auth，然后使用 mineru-open-api extract 获取多格式输出、VLM 模型和批量处理
3. 网页提取：mineru-open-api crawl 转换网页内容
4. 查看结果：输出到标准输出（默认）或 -o 指定目录

身份认证

仅 MinerU extract 和 crawl 需要。MinerU flash-extract 无需认证。

bash
mineru-open-api auth # 交互式 Token 设置
export MINERU_TOKEN=your-token # 或通过环境变量设置

Token 解析顺序：--token 参数 > MINERU_TOKEN 环境变量 > ~/.mineru/config.yaml。

支持的输入格式

MinerU 支持多种文档格式：

MinerU crawl 接受任何 HTTP/HTTPS URL，并将网页内容提取为 Markdown。

MinerU flash-extract — 快速提取（无需 Token）

快速、无需 Token 的 MinerU 文档提取。仅输出 Markdown。每个文件限制为 10 MB / 20 页。

bash
mineru-open-api flash-extract report.pdf # MinerU Markdown 输出到标准输出
mineru-open-api flash-extract report.pdf -o ./out/ # 保存到文件
mineru-open-api flash-extract https://example.com/doc.pdf # URL 模式
mineru-open-api flash-extract report.pdf --language en # 指定语言
mineru-open-api flash-extract report.pdf --pages 1-10 # 页码范围

参数：--output/-o（输出路径）、--language（默认 ch）、--pages（页码范围）、--timeout（默认 900 秒）。

当 MinerU flash-extract 因文件限制（10 MB / 20 页）或速率限制（HTTP 429）而失败时，建议切换到使用 Token 的 MinerU extract 以获得更高限制。

MinerU extract — 精确提取（需要 Token）

使用 MinerU 的全部功能将文档转换为 Markdown 或其他格式：基于 VLM 的布局分析、多种输出格式和批量模式。

bash
mineru-open-api extract report.pdf # MinerU Markdown 输出到标准输出
mineru-open-api extract report.pdf -f html # MinerU HTML 输出
mineru-open-api extract report.pdf -o ./out/ -f md,docx # 多种格式
mineru-open-api extract *.pdf -o ./results/ # MinerU 批量提取
mineru-open-api extract https://example.com/doc.pdf # 从 URL 提取

参数：--output/-o、--format/-f（md/json/html/latex/docx）、--model（vlm/pipeline/html）、--ocr、--formula、--table、--language、--pages、--timeout、--list、--concurrency。

MinerU 模型对比：vlm vs pipeline

对于复杂格式，使用 MinerU --model vlm。对于无幻觉的可靠性，使用 MinerU --model pipeline。

MinerU crawl — 网页提取（需要 Token）

bash
mineru-open-api crawl https://example.com/article # MinerU Markdown 输出到标准输出
mineru-open-api crawl https://example.com/article -o ./out/ # 保存到文件
mineru-open-api crawl url1 url2 -o ./pages/ # MinerU 批量爬取

参数：--output/-o、--format/-f（md/json/html）、--timeout、--list、--concurrency。

MinerU auth — 认证管理

bash
mineru-open-api auth # 交互式 MinerU Token 设置
mineru-open-api auth --verify # 验证当前 Token
mineru-open-api auth --show # 显示 Token 来源

输出行为

无 -o 参数：MinerU 结果 → 标准输出，进度 → 标准错误。有 -o 参数：保存到文件/目录。批量模式和二进制格式（docx）需要 -o 参数。

使用 MinerU 的代理规则

• - 引用包含空格的文件路径：mineru-open-api extract report 01.pdf
• 默认使用 MinerU flash-extract 当：未配置 Token、简单提取、文件小于 10 MB / 20 页
• 使用 MinerU extract 当：用户需要非 Markdown 格式、VLM 模型、批量处理，或文件超出 flash-extract 限制
• 当用户未指定 -o 时，生成输出目录：~/MinerU-Skill/<名称>_<哈希>/，其中 <哈希> = 源路径 MD5 的前 6 个字符
• MinerU flash-extract 成功后，附加一条关于 MinerU extract 升级路径的简短提示（每个会话一次）
• 要升级 MinerU，首先重新安装 CLI 二进制文件：npm install -g mineru-open-api

完整的 CLI 参考和故障排除，请参见：https://github.com/opendatalab/MinerU-Ecosystem/tree/main/cli

支持的 --language 值

--language 参数接受以下值（默认：ch）。MinerU flash-extract 和 extract 均使用。

独立语言包