MinerU LangChain 集成深度指南：一行代码搞定 PDF 到 RAG

原创

用户12386590

发布于 2026-04-16 15:57:20

3200

MinerU 是什么

MinerU 是上海人工智能实验室开源的一站式文档解析工具，基于视觉语言模型（VLM）架构，能够将 PDF、图片、Word、PPT、Excel 等任意格式的文档转换为结构化的 Markdown 输出。最新版本 MinerU2.5-Pro 仅用 **1.2B 参数**即在 OmniDocBench v1.6 基准上取得 **95.69 分**，大幅超越 GPT-4o、Qwen2.5-VL-72B 等数十倍参数规模的模型，稳居当前文档解析榜首。

MinerU 的核心能力包括：

**PDF 转 Markdown**：保留原始版式、标题层级、段落结构
**公式识别**：复杂 LaTeX 公式准确率高达 98%
**表格提取**：复杂表格识别准确率 92%
**多语言 OCR**：支持 109 种语言的文档识别
**图片提取**：将文档内嵌图片独立导出
**网页抓取**：将任意 URL 网页转换为 Markdown

MinerU 生态包含六大模块：CLI 命令行工具、SDK 多语言开发包、API 云端服务、RAG 知识检索、MCP 协议支持，以及 SKILL 跨语言知识 API。其中 RAG 模块与主流 LLM 框架深度集成，LangChain 正是其核心合作伙伴。

LangChain 是什么

LangChain 是构建 LLM 应用最流行的开源框架之一，全球安装量超过 2500 万次。它提供标准化的接口和组件，让开发者能够灵活组合 LLM、向量存储和数据源，快速搭建 RAG（检索增强生成）系统。

langchain-mineru 是 MinerU 官方维护的 LangChain 文档加载器（Document Loader）。它将 MinerU 的高精度文档解析能力桥接到 LangChain 生态——只需一行代码，即可将 PDF、DOC、PPT、图片等复杂文档转换为 LangChain 的 Document 对象，并无缝衔接后续的 Text Splitter、Embedding 和 Vector Store 流程。

**核心优势**：

一行代码完成文档加载，零门槛接入 LangChain RAG 链路
继承 MinerU 的高精度版面分析、公式识别和表格提取能力
支持 Flash（免 Token）和 Precision（需 Token）两种解析模式
PDF 可按页拆分，适配 page-level 粒度检索场景
支持本地路径与远程 URL 混合批量加载
内置 lazy\_load 流式加载接口

安装与环境要求

环境要求

Python >= 3.10

安装

pip install langchain-mineru

验证安装

python -c "from langchain\_mineru import MinerULoader; print('OK')"

快速上手

一行代码加载 PDF

from langchain\_mineru import MinerULoader



loader = MinerULoader(source="demo.pdf")

docs = loader.load()



print(docs[0].page\_content[:500])

print(docs[0].metadata)

默认 mode="flash"，无需 API Token，直接可用。

两种解析模式对比

| 特性 | Flash（默认） | Precision |

|:---|:---|:---|

| 身份认证 | 免登录 | 需 API Token |

| 速度 | 极速 | 标准 |

| 文件大小上限 | 10 MB | 200 MB |

| 页数上限 | 20 页 | 600 页 |

| 支持格式 | PDF、图片、DOCX、PPTX、XLS、XLSX | PDF、图片、DOC、DOCX、PPT、PPTX、HTML |

注意：当前集成输出格式为 Markdown。如需图片/JSON/DOCX/HTML/LaTeX 等多元输出，请使用 MinerU Python SDK。

Precision 模式 Token 申请

Token 可在 MinerU API 管理平台免费申请。提供两种 Token 配置方式：

**方式一：环境变量（推荐）**

export MINERU\_TOKEN="your-token"

之后初始化 Loader 时无需传入 token 参数：

loader = MinerULoader(source="demo.pdf", mode="precision")

**方式二：构造时显式传入**

loader = MinerULoader(source="demo.pdf", mode="precision", token="your-token")

进阶用法

PDF 按页拆分（split_pages）

当 split\_pages=True 时，每页 PDF 解析为一个独立的 Document，适合需要 page-level 检索粒度的 RAG 场景：

from langchain\_mineru import MinerULoader



loader = MinerULoader(

    source="/path/to/demo.pdf",

    split\_pages=True,

)



docs = loader.load()

for doc in docs:

    print(f"第 {doc.metadata['page']} 页: {doc.page\_content[:200]}")

指定页码范围

from langchain\_mineru import MinerULoader



loader = MinerULoader(

    source="/path/to/demo.pdf",

    mode="precision",

    token="your-token",

    pages="1-5",         # 只解析 1-5 页

    split\_pages=True,

    language="en",

    timeout=300,

)



docs = loader.load()

for doc in docs:

    print(f"Page {doc.metadata['page']}: {doc.page\_content[:200]}")

多文件混合加载

from langchain\_mineru import MinerULoader



loader = MinerULoader(

    source=[

        "/path/to/demo\_a.pdf",

        "/path/to/demo\_b.pdf",

        "https://cdn-mineru.openxlab.org.cn/demo/example.pdf",

    ],

)



docs = loader.load()

for doc in docs:

    print(doc.metadata["source"], "-", doc.page\_content[:100])

完整 RAG Pipeline 示例

Flash 模式 + RAG（免 Token，适合快速原型）

from langchain\_mineru import MinerULoader

from langchain\_text\_splitters import RecursiveCharacterTextSplitter

from langchain\_openai import OpenAIEmbeddings

from langchain\_community.vectorstores import FAISS



# 1. 加载文档

loader = MinerULoader(source="demo.pdf", mode="flash")

docs = loader.load()



# 2. 文本切分

splitter = RecursiveCharacterTextSplitter(chunk\_size=1200, chunk\_overlap=200)

chunks = splitter.split\_documents(docs)



# 3. 向量存储

vs = FAISS.from\_documents(chunks, OpenAIEmbeddings())



# 4. 检索

results = vs.similarity\_search("这个文档的核心配置步骤是什么？", k=3)

for r in results:

    print(r.page\_content[:200])

Precision 模式 + RAG（生产环境推荐）

import os

from langchain\_mineru import MinerULoader

from langchain\_text\_splitters import RecursiveCharacterTextSplitter

from langchain\_openai import OpenAIEmbeddings

from langchain\_community.vectorstores import FAISS



os.environ["MINERU\_TOKEN"] = "your-token"  # 或在初始化时传入 token 参数



# 1. 加载文档

loader = MinerULoader(

    source="manual.pdf",

    mode="precision",

)

docs = loader.load()



# 2. 文本切分

splitter = RecursiveCharacterTextSplitter(chunk\_size=1200, chunk\_overlap=200)

chunks = splitter.split\_documents(docs)



# 3. 向量存储

vs = FAISS.from\_documents(chunks, OpenAIEmbeddings())



# 4. 检索

results = vs.similarity\_search("这个文档怎么配置 OCR？", k=3)

for r in results:

    print(r.page\_content[:200])

参数说明

| 参数 | 类型 | 默认值 | 说明 |

|:---|:---|:---|:---|

| language | str | "ch" | 文档语言代码，如 "ch"（中文）、"en"（英文） |

| timeout | int | 1200 | 单文件最大等待时间（秒） |

Document Metadata 说明

每个返回的 Document 包含以下 metadata 字段：

{

    "source": "report.pdf",          # 原始输入路径或 URL

    "loader": "mineru",

    "output\_format": "markdown",

    "mode": "flash",                  # flash / precision

    "language": "ch",

    "pages": None,

    "split\_pages": True,

    "filename": "report.pdf",        # MinerU 返回的文件名

    "page": 1,                       # 仅 split\_pages=True 时存在

    "page\_source": "report.pdf",     # 仅 split\_pages=True 时存在

}

支持的文件格式

| 模式 | 支持格式 |

|:---|:---|

| Precision | PDF、图片、DOC、DOCX、PPT、PPTX、HTML |

| Flash | PDF、图片、DOCX、PPTX、XLS、XLSX |