跳到主要内容

MinerU PDF 解析

用途​

调用 MinerU 服务解析 PDF 文档，提取高质量的 Markdown 文本和图片，产出可直接阅读的笔记文件。

MinerU 是基于深度学习的 PDF 解析工具，能从学术论文中提取高质量的文本和图表。

使用场景​

  • PDF 格式的文献需要转为可编辑的 Markdown
  • 为后续 workflow（如文献分析、深度阅读）准备纯文本文档
  • 提取 PDF 中的图片和表格

配置 MinerU 后端​

1. 注册 MinerU 账号并获取 API Token​

  1. 访问 mineru.net 注册账号
  2. 登录后进入 API → API 管理 页面
  3. 创建或复制一个 API Token

2. 在后端管理器中添加后端​

  1. 打开 工具 → 后端管理器
  2. 切换到 Generic HTTP Tab
  3. 点击 添加 Generic HTTP
  4. 填写以下字段：
字段值
显示名称MinerU Official（或其他你喜欢的名称）
Base URLhttps://mineru.net
认证方式bearer
认证令牌粘贴上一步获取的 API Token
超时时间600000（10 分钟）
  1. 点击右下角 保存

输入约束​

约束类型说明
输入单元附件（attachment）
接受类型application/pdf（仅 PDF）
冲突检测若同目录已存在同名 .md 文件，则跳过该 PDF

触发方式​

  • 直接选中一个或多个 PDF 附件
  • 选中父条目，插件自动展开其子 PDF 附件

冲突处理​

  • 检查目标目录是否存在 <PDF文件名>.md
  • 若存在，该输入在预处理阶段被跳过
  • 若所有候选都冲突，workflow 不提交任何任务

运行过程​

1. 申请上传 URL
   └── POST MinerU API 获取 batch_id 和 upload_url

2. 上传文件
   └── 二进制上传 PDF 文件

3. 轮询结果
   └── 重复查询直到处理完成或失败
       └── 间隔：2 秒

4. 下载结果
   └── 下载 bundle（zip 格式）

5. 本地物化
   └── 解压 bundle
       └── 提取 Markdown 内容
       └── 提取图片
       └── 重写 Markdown 中的图片路径为本地相对路径
       └── 写入 PDF 同目录

运行产物​

1. Markdown 文件​

  • 位置：PDF 同目录
  • 命名：<原文件名>.md
  • 内容：解析后的 Markdown 文本
  • 编码：UTF-8

2. 图片目录​

  • 位置：PDF 同目录 Images_<条目Key>/
  • 内容：从 PDF 提取的图片文件

3. 链接附件​

  • 类型：链接到本地文件
  • 位置：父条目下
  • 目标：.md 文件

清理逻辑​

  • 若目标目录已存在 Images_<条目Key>/，先删除旧目录再写入
  • 避免重复创建已存在的 .md 链接附件

预估耗时​

PDF 规模预估耗时
短论文（≤15 页）30 秒 - 1 分钟
常规（15-40 页）1-2 分钟
长论文（40+ 页）2-3 分钟

耗时主要取决于 MinerU 服务端的处理速度。

参数​

MinerU workflow 无用户可配置参数。

模型建议​

无需 LLM 模型。此 workflow 仅通过 HTTP API 调用 MinerU 服务。

依赖​

  • 后端：MinerU 服务（Generic HTTP 后端）
  • Backend 配置：在 Backend Manager 中配置 Generic HTTP 类型的后端
  • 认证：需要有效的 API Token（Bearer token）
  • MinerU 服务地址：https://mineru.net 或其他部署实例

相关工作流​

  • 文献分析 — 对解析后的 Markdown 生成摘要和引文分析