国产PDF智能提取神器：MinerU项目安装运行实践

系列文章：

国产PDF智能提取神器：MinerU功能全解析

国产PDF智能提取神器：MinerU项目安装运行实践

国产PDF智能提取神器：MinerU项目原理解析和源码走读

---

正文：

项目简介

概述

项目地址：https://github.com/opendatalab/MinerU

MinerU是一款将PDF转化为机器可读格式的工具（如markdown、json），可以很方便地抽取为任意格式。 MinerU诞生于书生-浦语的预训练过程中，项目宣称会集中精力解决科技文献中的符号转化问题，希望在大模型时代为科技发展做出贡献。 相比国内外知名商用产品MinerU还很年轻，如果遇到问题或者结果不及预期请到issue提交问题，同时附上相关PDF。

主要功能

• 删除页眉、页脚、脚注、页码等元素，确保语义连贯
• 输出符合人类阅读顺序的文本，适用于单栏、多栏及复杂排版
• 保留原文档的结构，包括标题、段落、列表等
• 提取图像、图片描述、表格、表格标题及脚注
• 自动识别并转换文档中的公式为LaTeX格式
• 自动识别并转换文档中的表格为HTML格式
• 自动检测扫描版PDF和乱码PDF，并启用OCR功能
• OCR支持84种语言的检测与识别
• 支持多种输出格式，如多模态与NLP的Markdown、按阅读顺序排序的JSON、含有丰富信息的中间格式等
• 支持多种可视化结果，包括layout可视化、span可视化等，便于高效确认输出效果与质检
• 支持纯CPU环境运行，并支持 GPU(CUDA)/NPU(CANN)/MPS 加速
• 兼容Windows、Linux和Mac平台

本地安装运行

一 基础环境说明

说明：这是一个Python项目，以项目中的demo.py运行为例的过程，来说明构建MinerU本地运行环境，并运行代码的过程。

本地基础环境：Windows10、 IntelliJ IDEA、Python 3.10

二 构建本地运行虚拟环境

在IntelliJ IDEA中直接构建Python运行的虚拟环境（python Virtualenv Environment），通过虚拟环境安装运行MinerU相关的依赖库，然后运行demo代码。

通过In