在AI大模型快速迭代的2025年，一份PDF文档中可能隐藏着科研突破的关键数据，也可能涉及企业决策的核心信息。但面对格式混乱的PDF文件、图文交错的网页内容，难道还要手动逐一复制粘贴？GitHub上备受关注的国产开源项目MinerU，凭借一行代码轻松解决这一文档转换难题。
MinerU由上海人工智能实验室开发，堪称一位智能“文档翻译官”，能够将PDF、网页、电子书等复杂格式一键转换为规范的Markdown或JSON。借助它，科研人员可将200页论文中的公式批量转为LaTeX格式，原本需要3天的手动操作，现在仅需3分钟即可完成；金融分析师处理财报时，表格自动转为HTML代码，数据可直接导入Excel进行分析；程序员抓取技术文档时，智能过滤广告与页脚，精准保留核心代码块。
它的核心功能主要体现在以下三个方面：
- 精准解析——智能识别文档结构（如标题、段落、列表），跨模态提取图片、表格、公式，即使是扫描件的乱码也能通过OCR自动修复
- 格式还原——自动删除页眉页脚等干扰元素，按照人类自然阅读顺序排版，多栏文档也能正确排序
- 全场景适配——支持Windows、Mac、Linux系统，兼容CPU/GPU/NPU多硬件加速，可处理84种语言文档
目前MinerU支持PC客户端、API接口，并依托开源社区持续维护更新。该项目在GitHub上已累计获得超过3万颗星标。在大模型时代，MinerU的价值将进一步凸显——由于许多数据源存在格式混乱和广告干扰，使用该工具进行一次数据清洗，再纳入大模型知识库，效果将显著提升。
使用方式
由于支持PC客户端，部署过程非常简便：直接访问官网（https://mineru.net/）下载对应版本，安装后即可使用。
下面进行一次实际操作测试：
- 首先，以一篇搜狐文章为例（https://www.sohu.com/a/887209656_123753?scm=10001.1586_13-100000-0_922.0-0.0.a2_5X162X1906&spm=smpc.channel_258.Block_1741338093162_272_fVRWaA_1_focus.1.1745252053248eS4mYdq_1090），页面内容杂乱，包含大量广告和侧边栏，手动提取不仅费时费力，还容易出错。
- 接着，将页面保存为PDF格式，并导入本地MinerU客户端。工具会自动标注出广告区域，用户可一键删除——这比直接复制粘贴更加便捷，同时格式问题也一并解决。
此外，还测试了以太坊2024年年度报告的PDF切分处理，图表与文字的切分效果相当理想。