MinerU PDF Parser

📄 MinerU - 文档解析神器

OpenDataLab 出品

> PDF/Word/PPT/图片 → 结构化 Markdown，公式表格全保留！

---

🔗 资源链接

| 资源 | 链接 |

|------|------|

| 官网 | https://mineru.net/ |

| API 文档 | https://mineru.net/apiManage/docs |

| GitHub | https://github.com/opendatalab/MinerU |

---

🎯 功能

支持的文件类型

| 类型 | 格式 |

|------|------|

| 📕 PDF | 论文、书籍、扫描件 |

| 📝 Word | .docx |

| 📊 PPT | .pptx |

| 🖼️ 图片 | .jpg, .png (OCR) |

核心优势

1. 公式完美保留 - LaTeX 格式输出

2. 表格结构识别 - 复杂表格也能搞定

3. 多语言 OCR - 中英文混排无压力

4. 版面分析 - 多栏、图文混排自动处理

---

🚀 API 使用 (v4)

认证

Header 认证
Authorization: Bearer {YOUR_API_KEY}

单文件解析

1. 提交任务
curl -X POST "https://mineru.net/api/v4/extract/task" \
  -H "Authorization: Bearer $MINERU_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "url": "https://arxiv.org/pdf/2410.17247",
    "enable_formula": true,
    "enable_table": true,
    "layout_model": "doclayout_yolo",
    "language": "en"
  }'

返回: {"task_id": "xxx", "status": "pending"}

2. 轮询结果
curl "https://mineru.net/api/v4/extract/task/{task_id}" \
  -H "Authorization: Bearer $MINERU_TOKEN"

返回: {"status": "done", "result": {...}}

批量解析

1. 获取上传 URL
curl -X POST "https://mineru.net/api/v4/file-urls/batch" \
  -H "Authorization: Bearer $MINERU_TOKEN" \
  -d '{"file_names": ["paper1.pdf", "paper2.pdf"]}'

2. 上传文件到返回的 presigned URLs

3. 批量提交任务
curl -X POST "https://mineru.net/api/v4/extract/task/batch" \
  -H "Authorization: Bearer $MINERU_TOKEN" \
  -d '{"files": [{"url": "...", "name": "paper1.pdf"}, ...]}'

---

⚙️ 参数说明

| 参数 | 类型 | 说明 |

|------|------|------|

| url | string | 文件 URL (支持 http/https) |

| enable_formula | bool | 启用公式识别 (默认 true) |

| enable_table | bool | 启用表格识别 (默认 true) |

| layout_model | string | doclayout_yolo (快) / layoutlmv3 (准) |

| language | string | en / ch / auto |

| model_version | string | pipeline / vlm / MinerU-HTML |

模型版本对比

| 版本 | 速度 | 准确度 | 适用场景 |

|------|------|--------|----------|

| pipeline | ⚡ 快 | 高 | 常规文档 |

| vlm | 🐢 慢 | 最高 | 复杂版面 |

| MinerU-HTML | ⚡ 快 | 高 | 网页样式输出 |

---

📂 输出结构

解析完成后下载的 ZIP 包含：

output/
├── full.md           # 完整 Markdown
├── content_list.json # 结构化内容
├── images/           # 提取的图片
└── layout.json       # 版面分析结果

---

🔧 OpenClaw 集成工作流

论文解析流程

1. 创建论文目录
mkdir -p "./paper-reading/[CVPR 2025] NewPaper"
cd "./paper-reading/[CVPR 2025] NewPaper"

2. 提交解析任务
TASK_ID=$(curl -s -X POST "https://mineru.net/api/v4/extract/task" \
  -H "Authorization: Bearer $MINERU_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"url": "https://arxiv.org/pdf/XXXX.XXXXX"}' | jq -r '.task_id')

3. 等待完成 & 下载
(轮询 status 直到 done，然后下载 result.zip)

4. 解压
unzip result.zip -d .

环境变量

在 ~/.bashrc 或 OpenClaw config 中设置：

export MINERU_TOKEN="your_api_key_here"

---

⚠️ 限制

| 限制 | 数值 |

|------|------|

| 单文件大小 | 200 MB |

| 单文件页数 | 600 页 |

| 并发任务数 | 根据套餐 |

---

💡 使用技巧

1. arXiv 论文直接用 URL

   https://arxiv.org/pdf/2410.17247

   

2. 中文论文用 language: ch

3. 复杂表格用 vlm 模型

4. 批量处理省 quota

- 一次提交多个文件，比单个提交更高效

---

📚 相关资源

• -[Paper Banana Skill](https://clawhub.com/skills/paper-banana) - 论文配图生成

---

*论文解析不再手动复制粘贴！📖*