MinerU Document Extractor 是 MinerU 生态提供的文档提取工具，核心是 mineru-open-api 命令行程序，用于把多种文档格式转换为 Markdown 等结构化文本。
用途 它面向需要从 PDF、扫描文档、图片、Office 文件和网页中提取内容的场景，输出干净、便于后续处理的文本。
安装 可通过 npm 安装：npm install -g mineru-open-api；也可在 macOS/Linux 上通过 Go 安装：go install github.com/opendatalab/MinerU-Ecosystem/cli/mineru-open-api@latest。安装后可用 mineru-open-api version 验证。
两种提取模式
- flash-extract：无需 Token，速度快，仅输出 Markdown，支持表格识别、公式识别和 OCR，模型为 pipeline，单文件限制 10 MB、20 页，不支持批量。
- extract：需要 Token，速度正常，支持表格识别、公式识别和 OCR，输出格式包括 md、html、latex、docx、json，支持批量，模型可选 vlm、pipeline、MinerU-HTML，文件大小和页数限制远高于 flash-extract。
使用方式 快速转换：mineru-open-api flash-extract <file>，可加 -o 指定输出目录、--language 指定语言、--pages 指定页码范围。 精确提取：先创建 Token（https://mineru.net/apiManage/token），运行 mineru-open-api auth 完成认证，然后使用 mineru-open-api extract，可加 -f 指定格式、--model 选择模型、--ocr、--formula、--table、--language、--pages、--timeout、--list、--concurrency 等参数，并支持批量文件。 网页抓取：mineru-open-api crawl <url>，需要 Token，支持 md/json/html 输出与批量抓取。 认证管理：mineru-open-api auth 交互式设置 Token，--verify 验证，--show 显示来源；Token 解析顺序为 --token 参数 > MINERU_TOKEN 环境变量 > ~/.mineru/config.yaml。 输出行为：不加 -o 时结果输出到 stdout、进度输出到 stderr；加 -o 时保存到文件或目录；批量模式和二进制格式（如 docx）必须使用 -o。
支持的输入格式 flash-extract 支持 PDF、图片（png、jpg、jpeg、jp2、webp、gif、bmp）、Word（docx）、PowerPoint（pptx）、Excel（xlsx）以及远程 URL。extract 额外支持 doc、ppt、xls、html 和 URL。crawl 接受任意 HTTP/HTTPS URL。
模型选择 vlm 解析精度更高，更擅长复杂版式，但极少数情况下可能产生幻觉文本；pipeline 无幻觉风险，精度为标准水平。复杂格式可选 vlm，追求无幻觉可靠性可选 pipeline。
语言支持 --language 默认值为 ch，支持独立语言包（如 ch、ch_server、en、japan、korean、chinese_cht、ta、te、ka、el、th）和语系包（latin、arabic、cyrillic、east_slavic、devanagari），覆盖中英、日韩、阿拉伯、西里尔、天城文等多种文字。
适用场景与限制 适合文档数字化、内容抽取、批量转换和网页正文提取。flash-extract 受 10 MB / 20 页限制，超限或遇到 HTTP 429 限流时应改用带 Token 的 extract。extract 和 crawl 需要 Token，flash-extract 不需要。批量与二进制输出必须指定 -o。