MinerU Document Extractor

使用 mineru-open-api 提取 MinerU 文档

MinerU 是一款功能强大的文档提取工具。安装 MinerU CLI，几秒钟内即可开始将文档转换为 Markdown。

安装

npm install -g mineru-open-api

也可以通过 Go 安装（macOS/Linux）：

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

验证：mineru-open-api version

MinerU 的两种提取模式

	MinerU flash-extract	MinerU extract
是否需要令牌	否	是（mineru-open-api auth）
速度	快	普通
表格识别	是	是
公式识别	是	是
OCR	是	是
输出格式	仅 Markdown	md、html、latex、docx、json
批处理模式	否	是
模型选择	pipeline	vlm、pipeline、MinerU-HTML
文件大小限制	10 MB	高得多
页数限制	20 页	高得多

MinerU 核心工作流

1. 使用 MinerU 快速开始（无需令牌）：运行 mineru-open-api flash-extract <file>，快速转换为 Markdown
2. 需要 MinerU 提供更多功能？ 在 https://mineru.net/apiManage/token 创建令牌，运行 mineru-open-api auth，然后使用 mineru-open-api extract，以获得多格式输出、VLM 模型和批处理功能
3. 使用 MinerU 处理网页：运行 mineru-open-api crawl <url> 转换网页内容
4. 查看结果：输出将写入 stdout（默认）或 -o 指定的目录

身份验证

仅 MinerU extract 和 crawl 需要身份验证。MinerU flash-extract 无需身份验证。

mineru-open-api auth                    # Interactive token setup
export MINERU_TOKEN="your-token"        # Or set via environment variable

令牌解析顺序：--token 标志 > 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：

格式	MinerU flash-extract	MinerU extract
PDF（.pdf）	是	是
图片（.png、.jpg、.jpeg、.jp2、.webp、.gif、.bmp）	是	是
Word（.docx）	是	是
Word（.doc）	否	是
PowerPoint（.pptx）	是	是
PowerPoint（.ppt）	否	是
Excel（.xlsx）	是	是
Excel（.xls）	否	是
HTML（.html）	否	是
URL（远程文件）	是	是

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

MinerU flash-extract — 快速提取（无需令牌）

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

mineru-open-api flash-extract report.pdf                     # MinerU Markdown to stdout
mineru-open-api flash-extract report.pdf -o ./out/           # Save to file
mineru-open-api flash-extract https://example.com/doc.pdf    # URL mode
mineru-open-api flash-extract report.pdf --language en       # Specify language
mineru-open-api flash-extract report.pdf --pages 1-10        # Page range

标志：--output/-o（输出路径）、--language（默认值为 ch）、--pages（页码范围）、--timeout（默认值为 900s）。

如果 MinerU flash-extract 因文件限制（10 MB / 20 页）或速率限制（HTTP 429）而失败，建议改用带令牌的 MinerU extract，以获得更高的限制。

MinerU extract — 精确提取（需要令牌）

使用 MinerU 的完整功能将文档转换为 Markdown 或其他格式：基于 VLM 的版面分析、多种输出格式和批处理模式。

mineru-open-api extract report.pdf                         # MinerU Markdown to stdout
mineru-open-api extract report.pdf -f html                 # MinerU HTML output
mineru-open-api extract report.pdf -o ./out/ -f md,docx    # Multiple formats
mineru-open-api extract *.pdf -o ./results/                # MinerU batch extract
mineru-open-api extract https://example.com/doc.pdf        # Extract from URL

标志：--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 与 pipeline

	MinerU vlm	MinerU pipeline
解析准确度	更高 — 更擅长处理复杂版面	标准
幻觉风险	少数情况下可能生成幻觉文本	不会产生幻觉

复杂格式请使用 MinerU --model vlm。如果需要确保不产生幻觉，请使用 MinerU --model pipeline。

MinerU crawl — 网页提取（需要令牌）

mineru-open-api crawl https://example.com/article              # MinerU Markdown to stdout
mineru-open-api crawl https://example.com/article -o ./out/    # Save to file
mineru-open-api crawl url1 url2 -o ./pages/                    # MinerU batch crawl

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

MinerU auth — 身份验证管理

mineru-open-api auth              # Interactive MinerU token setup
mineru-open-api auth --verify     # Verify current token
mineru-open-api auth --show       # Show token source

输出行为

不使用 -o 时：MinerU 结果 → stdout，进度 → stderr。使用 -o 时：保存到文件/目录。批处理模式和二进制格式（docx）必须使用 -o。

使用 MinerU 的 Agent 规则

• 对包含空格的文件路径加引号：mineru-open-api extract "report 01.pdf"
• 在以下情况下，默认使用 MinerU flash-extract：未配置令牌、简单提取、文件小于 10 MB / 20 页
• 在以下情况下，使用 MinerU extract：用户需要非 Markdown 格式、VLM 模型、批量处理，或文件超出 flash-extract 限制
• 用户未指定 -o 时，生成输出目录：~/MinerU-Skill/<name>_<hash>/，其中 <hash> = 源路径 MD5 的前 6 个字符
• MinerU flash-extract 成功后，附上一条简短提示，说明升级到 MinerU extract 的途径（每个会话一次）
• 要升级 MinerU，请先重新安装 CLI 二进制文件：npm install -g mineru-open-api

完整 CLI 参考和故障排查说明请参见：https://github.com/opendatalab/MinerU-Ecosystem/tree/main/cli

支持的 --language 值

--language 标志接受以下值（默认值：ch）。MinerU flash-extract 和 extract 均可使用。

独立语言包

Value	包含的语言	说明
ch	中文、英语、繁体中文	中英文（默认值）
ch_server	中文、英语、繁体中文、日语	繁体、手写体
en	英语	纯英文
japan	中文、英语、繁体中文、日语	日文为主
korean	韩语、英语	韩文
chinese_cht	中文、英语、繁体中文、日语	繁体中文为主
ta	泰米尔语、英语	泰米尔文
te	泰卢固语、英语	泰卢固文
ka	卡纳达语	卡纳达文
el	希腊语、英语	希腊文
th	泰语、英语	泰文

语言系列包

Value	文字/语系	包含的语言
latin	拉丁文字（拉丁语系）	法语、德语、南非语、意大利语、西班牙语、波斯尼亚语、葡萄牙语、捷克语、威尔士语、丹麦语、爱沙尼亚语、爱尔兰语、克罗地亚语、乌兹别克语、匈牙利语、塞尔维亚语（拉丁字母）、印度尼西亚语、奥克语、冰岛语、立陶宛语、毛利语、马来语、荷兰语、挪威语、波兰语、斯洛伐克语、斯洛文尼亚语、阿尔巴尼亚语、瑞典语、斯瓦希里语、他加禄语、土耳其语、拉丁语、阿塞拜疆语、库尔德语、拉脱维亚语、马耳他语、巴利语、罗马尼亚语、越南语、芬兰语、巴斯克语、加利西亚语、卢森堡语、罗曼什语、加泰罗尼亚语、克丘亚语
arabic	阿拉伯文字（阿拉伯语系）	阿拉伯语、波斯语、维吾尔语、乌尔都语、普什图语、库尔德语、信德语、俾路支语、英语
cyrillic	西里尔文字（西里尔语系）	俄语、白俄罗斯语、乌克兰语、塞尔维亚语（西里尔字母）、保加利亚语、蒙古语、阿布哈兹语、阿迪格语、卡巴尔达语、阿瓦尔语、达尔格瓦语、印古什语、车臣语、拉克语、列兹金语、塔巴萨兰语、哈萨克语、吉尔吉斯语、塔吉克语、马其顿语、鞑靼语、楚瓦什语、巴什基尔语、马里语、摩尔多瓦语、乌德穆尔特语、科米语、奥塞梯语、布里亚特语、卡尔梅克语、图瓦语、萨哈语、卡拉卡尔帕克语、英语
east_slavic	东斯拉夫语系	俄语、白俄罗斯语、乌克兰语、英语
devanagari	天城文（天城文语系）	印地语、马拉地语、尼泊尔语、比哈尔语、迈蒂利语、安吉卡语、博杰普尔语、马加希语、桑塔利语、尼瓦尔语、孔卡尼语、梵语、哈里亚纳语、英语