MinerU 是一个文档提取命令行工具,通过 MinerU API 把 PDF、图片、Word、PPT 及网页转换为 Markdown、HTML、LaTeX、DOCX 或 JSON。安装:Linux/macOS 执行 curl -fsSL https://cdn-mineru.openxlab.org.cn/open-api-cli/install.sh | sh;Windows PowerShell 执行 irm https://cdn-mineru.openxlab.org.cn/open-api-cli/install.ps1 | iex;运行 mineru-open-api version 验证。
两种提取模式:flash-extract 无需 Token,速度快,仅输出 Markdown,不支持表格与公式识别,单文件限 10MB、20 页,有基于 IP 的每分钟限频,适合小文件快速转换。extract 需要 Token,支持表格、公式识别、OCR、多格式输出与批量模式,可选 vlm、pipeline、MinerU-HTML 模型,文件大小与页数限制更高。crawl 命令需 Token,用于抓取网页并转为 Markdown 或 HTML。
认证:仅 extract 与 crawl 需要 Token。在 https://mineru.net/apiManage/token 创建后,运行 mineru-open-api auth 交互配置,或设置 export MINERU_TOKEN="your-token"。解析顺序为 --token 参数 > MINERU_TOKEN 环境变量 > ~/.mineru/config.yaml。
常用命令:mineru-open-api flash-extract report.pdf -o ./out/;mineru-open-api extract report.pdf -f md,docx -o ./out/;mineru-open-api extract *.pdf -o ./results/ 批量;mineru-open-api crawl https://example.com/article -o ./out/。extract 支持 --format(md、json、html、latex、docx)、--model、--ocr、--formula、--table、--language、--pages、--list、--concurrency;crawl 支持 --format(md、json、html)、--list、--stdin-list、--concurrency。--language 默认 ch,另支持 en、japan、korean、chinese_cht 及 latin、arabic、cyrillic、devanagari 等语系包。
输出行为:无 -o 时内容输出到 stdout,状态信息到 stderr;有 -o 时保存到文件或目录;批量模式必须用 -o 指定输出目录;docx 等二进制格式不能输出到 stdout;Markdown 会同时保存提取的图片。退出码 0 成功,1 一般错误,2 参数错误,4 超出大小或页数限制,5 提取失败,6 超时(可用 --timeout 调大)。flash-extract 遇 HTTP 429 应等几分钟或改用带 Token 的 extract。私有部署可用 --base-url 指定地址。