MinerU PDF转Markdown解析器

要解决什么问题

PDF 是技术资料最常见的载体，但对大模型来说并不是友好的输入格式。学术论文的双栏排版、公式编号与跨页表格，扫描件中嵌在图像里的文字，都会让朴素的文本抽取器输出残缺或乱码的内容。直接把 PDF 整份投喂给模型，常见的结果是表格丢失、公式变成一堆无法解析的符号。

核心能力与工作方式

该技能基于 MinerU 文档智能流水线，将 PDF 转换为 LLM 可直接使用的 markdown 与 json 输出：

• 版面感知解析：识别多栏、图文混排等复杂版面，区分正文、标题与图表区域
• 结构化抽取：文本、表格、公式和图片分别提取，公式不再退化为乱码
• 适用对象：学术论文、研究报告、扫描版文档

在保持高精度的同时，MinerU 的资源开销极低，可在纯 CPU 环境下完成推理。针对长文档，解析流水线引入滑动窗口机制，显著降低峰值内存占用，数万页的文档不再需要人工切分处理。

适用边界与注意点

• 官方在线版本与客户端功能一致，但需要登录后才能使用
• 手写体或严重图像退化的扫描件，识别精度取决于上游模型能力
• 输出质量与源 PDF 的清晰度直接相关，低分辨率扫描件建议先做预处理