seamon67/mineru

MinerU Docker镜像文档

镜像概述

MinerU是一款专注于PDF文件转换的工具，旨在将非结构化的PDF文档转换为机器可读的格式（如纯文本、JSON等），以便于后续的数据处理、分析和检索。该Docker镜像封装了MinerU的核心功能，提供便捷的部署和使用方式，适用于需要批量或自动化处理PDF文件的场景。

核心功能与特性

• PDF格式转换：支持将PDF文件转换为多种机器可读格式，包括纯文本（TXT）、结构化数据（JSON）等
• 广泛兼容性：兼容文本型PDF和扫描型PDF（需启用OCR功能）
• 批量处理能力：支持同时处理多个PDF文件，提升转换效率
• 容器化部署：通过Docker封装，简化环境配置，确保跨平台运行一致性

使用场景与适用范围

• 文档数字化：将纸质文档扫描后的PDF转换为可编辑文本
• 数据提取：从PDF报告、论文、合同中提取结构化信息
• 学术研究：处理学术论文PDF，支持文献内容分析与挖掘
• 企业文档管理：自动化处理业务文档，提升信息检索与管理效率

使用方法与配置说明

基本使用（docker run）

bash
docker run -v /path/to/local/pdf:/input -v /path/to/output:/output mineru:latest --input /input --output /output --format txt

参数说明：

• -v /path/to/local/pdf:/input：挂载本地PDF文件目录到容器内/input目录
• -v /path/to/output:/output：挂载本地输出目录到容器内/output目录
• --input /input：指定容器内PDF输入目录
• --output /output：指定容器内转换结果输出目录
• --format：指定输出格式，支持txt（纯文本）、json（结构化数据）等

环境变量配置

通过环境变量调整转换行为：

• MINERU_OCR_ENABLED：是否启用OCR功能（针对扫描型PDF），值为true或false，默认false
• MINERU_LANGUAGE：OCR识别语言，如zh-CN（中文）、en（英文），默认en

示例（启用OCR并指定中文识别）：

bash
docker run -v /path/to/pdf:/input -v /path/to/output:/output -e MINERU_OCR_ENABLED=true -e MINERU_LANGUAGE=zh-CN mineru:latest --input /input --output /output --format json

docker-compose配置示例

yaml
version: '3'
services:
  mineru:
    image: mineru:latest
    volumes:
      - ./pdfs:/input
      - ./results:/output
    environment:
      - MINERU_OCR_ENABLED=true
      - MINERU_LANGUAGE=zh-CN
    command: --input /input --output /output --format json

注意事项

• 扫描型PDF转换需启用OCR功能（MINERU_OCR_ENABLED=true）
• 大型PDF文件转换可能需要更长处理时间，建议根据文件大小调整容器资源配置
• 确保输出目录具备写入权限，避免转换失败