第1章：认识MinerU¶

学习目标¶

学完这一章，你将知道： - ✅ MinerU是什么？它能做什么？ - ✅ 为什么要用MinerU？它有什么好处？ - ✅ MinerU的基本工作原理 - ✅ 它适合用在哪些地方

1.1 MinerU是什么？¶

用一句话来说¶

MinerU是一个"智能PDF阅读器"。

它能帮你： - 📖 把PDF文档变成电脑能懂的格式 - 📊 自动提取表格、公式、图片 - 🔍 支持多种语言（中文、英文、日文等） - 🚀 处理速度很快，准确率很高

生活中的类比¶

想象一下：

传统方式（不用MinerU）：你拿到一本技术手册（PDF），想要提取里面的表格数据。 - 你需要手动打开PDF - 一个表格一个表格地复制 - 复制到Excel后再整理 - 如果表格跨页，还得手动拼接 - 100页的文档，可能需要几个小时

使用MinerU： - 把PDF扔给MinerU - 说："帮我提取所有表格" - 几分钟后，所有表格都整理好了 - 直接导出成Excel，拿来就能用

这就像： - 传统方式 = 手动抄书 - MinerU = 自动扫描+文字识别

MinerU的诞生故事¶

MinerU是怎么来的？

故事开始：有一天，科学家们想训练一个超级聪明的AI（叫InternLM）。他们收集了很多科学论文（PDF格式），想让AI学习。

遇到问题：

论文里有很多表格、公式、图片
传统工具只能提取纯文字
表格变成乱七八糟的文本
公式看不懂，图片只当作图片

解决办法： - 于是，他们开发了MinerU - 专门处理复杂的PDF文档 - 把文档变成AI能懂的格式

结果： - AI能正确理解论文内容 - 训练效果大大提升 - MinerU也就开源给大家用了！

名字由来¶

MinerU = Miner（矿工） + U（You/User）

意思就是：像矿工一样，帮你从文档的"矿藏"中挖出有价值的信息！

1.2 MinerU能做什么？¶

5大核心功能¶

功能1：智能文字提取 📝¶

能做什么： - ✅ 把PDF里的文字提取出来 - ✅ 按照正确的阅读顺序排列 - ✅ 自动识别中英文等109种语言 - ✅ 扫描版的PDF也能识别（像手机拍照后识别）

举例：

Text Only
原始PDF（有表格、公式、图片混杂）：
┌──────────────────────────────────┐
│  产品技术手册                   │
│  ┌──────┬──────┬──────┐       │
│  │电压  │电流  │功率  │       │
│  ├──────┼──────┼──────┤       │
│  │220V  │10A   │2200W │       │
│  └──────┴──────┴──────┘       │
│  公式：P = U × I               │
│  [产品外观图]                  │
└──────────────────────────────────┘

MinerU提取后：
1. 产品技术手册
2. 表格1.1：技术参数
   电压  电流  功率
   220V  10A   2200W
3. 公式：P = U × I
4. 图片：产品外观图（附带文字描述）

功能2：自动识别表格 📊¶

能做什么： - ✅ 自动找到文档中的所有表格 - ✅ 把表格整理成Excel格式 - ✅ 自动识别表格标题 - ✅ 跨页的表格能自动合并

举例：

Text Only
问题：一个表格在两页上怎么办？

传统工具：
第1页：┌──────┬──────┐
       │姓名  │年龄  │
       ├──────┼──────┤
       │张三  │25    │
       └──────┴──────┘

第2页：┌──────┬──────┐
       │李四  │30    │
       ├──────┼──────┤
       │王五  │28    │
       └──────┴──────┘
结果：识别成两个独立的表格 ❌

MinerU：
自动合并成一个完整表格 ✅
┌──────┬──────┐
│姓名  │年龄  │
├──────┼──────┤
│张三  │25    │
│李四  │30    │
│王五  │28    │
└──────┴──────┘

功能3：智能公式识别 🔢¶

能做什么： - ✅ 自动识别数学公式 - ✅ 转换成标准格式（LaTeX） - ✅ 区分行内公式和单独的公式 - ✅ 支持复杂的数学符号

举例：

Text Only
PDF中的公式：
      2
E = mc

MinerU转换后：
$E = mc^2$  (行内公式）

$$E = mc^2$$ (单独的公式）

这样电脑就能理解和搜索公式了！

功能4：智能图片提取 🖼️¶

能做什么： - ✅ 提取所有图片 - ✅ 自动生成图片描述（AI看图说话） - ✅ 识别图片标题 - ✅ 支持图片搜索

举例：

Text Only
PDF中的图片：
[一张手机产品的图片]

MinerU处理：
1. 提取图片 → phone_product.png
2. 生成描述："这是一款黑色智能手机，正面有6.5英寸屏幕，
   后置三摄相机，侧面有音量键和电源键"
3. 提取标题："图1.1 产品外观"

这样你就可以搜索"手机"找到这张图！

功能5：支持多种语言 🌍¶

能做什么： - ✅ 自动识别109种语言 - ✅ 中文、英文、日文、韩文、繁体中文等 - ✅ 阿拉伯语、泰语等小语种 - ✅ 自动选择正确的识别模型

支持的常见语言：

Text Only
✅ 中文（简体）
✅ 英文
✅ 日文
✅ 韩文
✅ 繁体中文
✅ 泰语
✅ 阿拉伯语
... 还有100+种语言

1.3 为什么要用MinerU？¶

对比传统工具¶

功能	传统工具	MinerU
文字提取	乱序	✅ 按阅读顺序
表格提取	需要手动复制	✅ 自动提取
公式识别	看不懂	✅ 转换成标准格式
图片提取	只能看图	✅ 有文字描述
多语言	只能中文/英文	✅ 109种语言
扫描PDF	不支持	✅ 自动OCR
处理速度	慢（手动）	✅ 快（自动）

实际应用场景¶

场景1：整理公司文档¶

问题：公司有100+份合同PDF，需要提取关键信息： - 甲方、乙方是谁 - 合同金额 - 签署日期

不用MinerU： - 打开每个PDF - 手动查找信息 - 复制粘贴到Excel - 100份文档，可能需要几天

使用MinerU： - 批量处理100个PDF - 几分钟内全部处理完成 - 直接导出Excel - 省时省力，还不会出错

场景2：技术文档检索¶

问题：公司技术手册有500页，想要快速找到： - 产品的技术参数 - 相关的公式 - 对应的图片

不用MinerU： - 手动翻阅500页 - 逐个查找 - 可能需要几小时

使用MinerU： - 搜索"技术参数" → 立即找到相关表格 - 搜索"公式" → 列出所有公式 - 搜索"产品图" → 找到所有产品图片 - 几秒钟搞定

场景3：学术论文分析¶

问题：需要分析10篇论文，提取： - 论文标题、作者 - 核心公式 - 实验数据表格 - 关键图表

不用MinerU： - 每篇论文单独处理 - 手动提取信息 - 整理成表格 - 需要很长时间

使用MinerU： - 批量处理10篇论文 - 自动提取所有信息 - 直接导出结构化数据 - 大大提高效率

1.4 MinerU的工作原理¶

简单理解（用图书馆比喻）¶

想象一个智能图书馆：

Text Only
1. 你给MinerU一本书（PDF）
        ↓
2. MinerU快速阅读这本书
   - 哪里是标题？
   - 哪里是表格？
   - 哪里是公式？
   - 哪里是图片？
        ↓
3. MinerU把内容整理好
   - 文字按顺序排列
   - 表格整理成Excel
   - 公式转换成标准格式
   - 图片加上文字说明
        ↓
4. 给你一个整齐的文件夹
   - README.md（完整文字）
   - tables/（所有表格）
   - formulas/（所有公式）
   - images/（所有图片）

技术原理（简化版）¶

MinerU主要用了3个核心技术：

技术1：智能版面分析 👁️¶

作用：像人眼一样，看懂PDF的版面布局

怎么做： - 识别哪里是标题 - 识别哪里是正文 - 识别哪里是表格 - 识别哪里是图片 - 识别阅读顺序

举例：

Text Only
PDF页面：
┌──────────────────┐
│  1. 产品介绍    │  ← 识别为标题
│                  │
│  这是产品介绍。  │  ← 识别为正文
│                  │
│  ┌──────────┐   │
│  │  表格1   │   │  ← 识别为表格
│  └──────────┘   │
│                  │
│  [图片1]        │  ← 识别为图片
└──────────────────┘

技术2：OCR文字识别 🔍¶

作用：像扫描仪一样，识别图片里的文字

什么时候用： - 扫描版PDF（图片格式） - 手机拍照的文档 - 图片中的文字

怎么做： - 把图片里的文字"辨认"出来 - 支持109种语言 - 准确率高达95%+

举例：

Text Only
扫描的图片：
┌──────────────────┐
│  产 品 手 册    │  ← 图片里的字
│                  │
│  电 压：220V    │
│  电 流：10A     │
└──────────────────┘

OCR识别后：
产品手册
电压：220V
电流：10A

技术3：AI模型推理 🧠¶

作用：像人脑一样，理解内容

用于： - 识别表格结构 - 识别数学公式 - 生成图片描述 - 提取语义信息

举例：

Text Only
AI看到一张产品图片 → 理解：这是手机，有屏幕、摄像头
AI看到一个复杂公式 → 理解：这是能量守恒公式
AI看到一个表格 → 理解：这是产品参数对比表

1.5 MinerU能帮我们做什么？¶

5大应用场景¶

场景1：构建智能知识库 📚¶

用途： - 把公司文档变成可搜索的知识库 - 员工可以快速找到需要的信息 - 搭配AI实现智能问答

举例：

Text Only
传统方式：
员工问："产品A的功率是多少？"
管理员翻查 → "等等，我找一下文档..."

使用MinerU：
员工问："产品A的功率是多少？"
AI立即回答："产品A功率2200W"（自动从文档中检索）

场景2：自动化数据提取 📊¶

用途： - 批量提取合同信息 - 批量提取发票数据 - 批量整理表格数据

举例：

Text Only
手动方式：
打开合同A → 复制甲方乙方 → 粘贴到Excel
打开合同B → 复制甲方乙方 → 粘贴到Excel
... 重复100次

使用MinerU：
把100个合同拖给MinerU → 等待几分钟
得到一个Excel，里面所有信息都整理好了

场景3：文献分析系统 📖¶

用途： - 分析学术论文 - 提取核心公式 - 整理实验数据

举例：

Text Only
研究者需要找：
- 能量守恒的公式
- 对比实验的表格
- 实验结果的图表

使用MinerU：
搜索"能量守恒" → 立即找到所有相关公式
搜索"实验对比" → 立即找到所有相关表格
搜索"实验结果" → 立即找到所有相关图表

场景4：文档翻译 🌐¶

用途： - 提取多语言文档内容 - 转换为统一格式 - 方便翻译工具处理

举例：

Text Only
问题：有中英日三种语言的技术手册

传统方式：
分别用不同工具处理 → 格式混乱 → 难以整合

使用MinerU：
统一处理 → 统一格式 → 方便翻译

场景5：内容管理 📁¶

用途： - 归档文档 - 建立索引 - 便于检索

举例：

Text Only
公司积累的文档：
- 产品手册（50份）
- 技术规格书（100份）
- 用户指南（200份）
- 合同协议（500份）

使用MinerU：
全部提取结构化数据
建立统一检索系统
快速找到需要的文档

1.6 本章小结¶

核心要点¶

MinerU是什么：
智能PDF阅读器
自动提取文字、表格、公式、图片
支持109种语言
核心功能：
智能文字提取
自动识别表格
智能公式识别
智能图片提取
支持多种语言
为什么用MinerU：
比传统工具更智能
自动化处理，省时省力
准确率高
工作原理：
版面分析 + OCR + AI模型
像智能图书馆管理员
应用场景：
智能知识库
自动数据提取
文献分析
文档翻译
内容管理