MinerU PDF 解析

本地解析 PDF 文档为结构化 Markdown 或 JSON，保留标题层级、表格、列表等结构。CPU 运行，数据不出本机。

使用场景

• 用户说「帮我把这个 PDF 转成 Markdown」「提取这个 PDF 的内容」
• 需要从 PDF 中提取结构化文本用于后续分析
• 扫描件 PDF 需要 OCR 提取文字（配合 OCR 类 Skill）
• 批量处理多个 PDF 文件

与其他 PDF 处理 Skill 的区别

工具	擅长	局限
nano-pdf	简单文本提取、PDF 元数据	不保留结构
pdf-toolkit	合并/拆分/加密/水印	不做内容解析
mineru-pdf	结构化解析（标题/表格/列表）	安装包较大

优先使用 mineru-pdf 做内容提取，pdf-toolkit 做文件操作。

执行方式

安装

pip install magic-pdf

基本用法

magic-pdf -p /path/to/document.pdf -o /path/to/output/ -m auto

参数说明：

• -p：输入 PDF 路径
• -o：输出目录
• -m：模式选择
  • auto：自动判断（推荐）
  • txt：纯文本 PDF
  • ocr：扫描件 PDF

Python API

from magic_pdf.data.data_reader_writer import FileBasedDataWriter, FileBasedDataReader
from magic_pdf.pipe.UNIPipe import UNIPipe

reader = FileBasedDataReader("")
writer = FileBasedDataWriter(output_dir)

pdf_bytes = reader.read(pdf_path)
pipe = UNIPipe(pdf_bytes, model_list=[], image_writer=writer)
pipe.pipe_classify()
pipe.pipe_analyze()
pipe.pipe_parse()
md_content = pipe.pipe_mk_markdown(image_dir, drop_mode="none")

输出内容

解析后在输出目录生成：

• *.md：Markdown 格式的结构化内容
• images/：提取的图片
• *.json：结构化元数据

输出规范

• 保留原文档的标题层级（H1-H6）
• 表格转换为 Markdown 表格
• 图片提取并以 ![](path) 引用
• 页码标注在章节末尾