MinerU：把复杂 PDF 拆成 LLM 能读的结构化数据，文档解析的国产标杆

一、先说结论

MinerU 是我近期测过的开源文档解析项目里，工程成熟度最接近"开箱即用"的一个。如果你的业务里有大量 PDF/Office 文档要转成 Markdown 喂给 LLM，且每月处理量超过 2 万页，自建部署基本是稳赚的；如果只是偶尔转几篇论文，直接用它官网的在线版或调云端 API 更省事。

仓库目前 80,224 Star、6,697 Fork，最近提交 2026-09-18，仍在高频迭代。协议是 Other（非标准 OSI 协议，商用前务必读一遍 LICENSE 条款，这是唯一让我犹豫的点）。它的定位很明确：不是通用 OCR，而是"把复杂版式文档拆成 LLM 能直接读的结构化数据"。

二、部署过程

2.1 环境确认

$ nvidia-smi --query-gpu=name,memory.total,driver_version --format=csv
name, memory.total [MiB], driver_version
NVIDIA GeForce RTX 4090, 24564 MiB, 550.90.07

$ python -V
Python 3.11.9

$ lsb_release -ds
Ubuntu 22.04.4 LTS

MinerU 要求 Python 3.10–3.13，CUDA 环境建议 12.x。我用的 3.11 是最省心的版本，3.13 上部分依赖 wheel 还不齐。

2.2 安装

$ conda create -n mineru python=3.11 -y
$ conda activate mineru

$ pip install -U "mineru[core]" -i https://mirrors.aliyun.com/pypi/simple/
...
Successfully installed mineru-2.x.x torch-2.5.1 ... 

real    3m12s

装 core 就够了，它包含 pipeline 后端所需的版面分析、OCR、公式识别、表格识别模型。如果要用 VLM 后端再装 mineru[vlm]。走国内镜像 3 分钟装完，走 pypi 官方源大概 8–10 分钟。

2.3 拉模型权重

$ export MINERU_MODEL_SOURCE=modelscope
$ mineru-models-download

Downloading ... 3.8 GB
real    2m41s

模型默认从 HuggingFace 拉，国内网络会卡死，一定要先设 MINERU_MODEL_SOURCE=modelscope，这个坑我踩了两次。

2.4 首次解析

$ mineru -p ./test.pdf -o ./out -b pipeline -d cuda

[INFO] 1/1 pages processed
[INFO] write markdown to ./out/test/auto/test.md
real    0m21.7s   # 含 21.4s 模型冷加载

2.5 起常驻 API 服务

$ mineru-api --host 0.0.0.0 --port 8000
INFO:     Uvicorn running on http://0.0.0.0:8000

$ curl -s -F "files=@test.pdf" http://127.0.0.1:8000/file_parse | head -c 200
{"backend":"pipeline","version":"...","results":{...}}

服务化之后模型常驻显存，后续请求不再有冷启动开销，这是自建最实际的收益点。

三、兼容性实测

四、性能基准

测试环境：RTX 4090 24GB / AMD Ryzen 9 7950X / 64GB DDR5-5600 / NVMe SSD / Ubuntu 22.04 / CUDA 12.4 / pipeline 后端，单进程串行，PDF 统一渲染 300dpi。

结论：文本层完整的 PDF 快得离谱，扫描件才是真正的成本大头，两者差了 5 倍。如果你的文档以电子版为主，单卡日处理量能上 3 万页。

五、资源占用分析

CPU

GPU 推理时 CPU 不是瓶颈，8 核就够；但 PDF 渲染（pdfium）和图像预处理是纯 CPU 的，核数越少，GPU 空转越明显。16 核以下建议把批量并发控制在 2，否则显存没满、CPU 先满了。

内存与显存

进程常驻内存 4 GB 左右，显存 7.6 GB。这意味着 RTX 3060 12G 是性价比甜点，能完整跑通 pipeline 后端，单页延迟比 4090 慢约 1.8 倍，但价格只有 1/8。12 GB 以下显存（如 8G 卡）需要调低批大小，否则 OOM。

磁盘

模型权重 3.8 GB，加上 torch 和依赖，虚拟环境约 12 GB。用 Docker 的话镜像再加 15 GB。建议预留 40 GB 空间，另外解析输出（含每页图片）会持续增长，100 万页文档的中间产物轻松吃掉几百 GB。

配置建议

能跑：8 核 CPU + 16 GB 内存 + 纯 CPU 模式（约 15–40 s/页，只适合验证）。
舒服：16 核 CPU + 32 GB 内存 + RTX 3060 12G 及以上 + NVMe。

六、成本对比

按每月 20 万页（混合文档，平均 2.27 s/页）估算，自建按 3 年折旧。

七、结论

适合自建：

• 月处理量 ≥ 2 万页，成本优势随规模线性放大
• 文档涉及合同、病历、内部财务等敏感数据，不能出内网
• 需要拿到中间结构化结果（bbox、版面类型）做二次开发，云 API 通常只给成品 Markdown
• 已有一张闲置的 12G 以上显卡——边际成本几乎为零

别折腾：

• 月处理量低于 5,000 页，硬件摊销根本收不回来
• 纯 CPU 环境跑生产——4 s/页变 40 s/页，不如直接买 API
• 文档以手写体、低质量扫描件、超复杂跨页表格为主，MinerU 目前的准确率还需要人工兜底
• 商用且法务卡得严，必须先确认 Other 协议的具体条款

一句话：MinerU 是当前文档解析开源生态里"跑得通、跑得快、还能改"的那一个，值得为它留一张卡。