mineru — PDF 高质量解析

何时使用

• 题目 PDF 含中文 + 表格 + 公式（pdfplumber 输出乱序时）
• 阅读 external/zhanwen-mathmodel/ 下的优秀论文
• 转换 docx / pptx 为 markdown

入口

本子 skill 不自带 Python 实现；调用宿主已安装的 mineru-open-api CLI 或 mineru Python 包。详细 CLI 文档见 mineru 官方 skill。

模式选择决策树

文件 ≤ 10MB 且 ≤ 20页 且 不需表格识别
  → flash-extract（零配置、最快）

文件 > 10MB 或 > 20页 或 需要表格 / 公式 / OCR
  → extract（要 token，注册免费领）
  → 备用：本地 CLI mineru（开源，自动下载模型）

命令模板

# Flash 模式（推荐起手）
mineru-open-api flash-extract problem.pdf -o workdir/.../out --language ch

# 限页（>20 页时）
mineru-open-api flash-extract problem.pdf -o workdir/.../out --language ch --pages 1-20

# Extract 精确模式（需 token；写入 EZMM_MINERU_TOKEN）
mineru-open-api auth                         # 一次性配置
mineru-open-api extract problem.pdf -o workdir/.../out --language ch --table --formula

# 本地 CLI（无 token，开源版）
pip install -U mineru
mineru -p problem.pdf -o workdir/.../out

入参约定

参数	默认	说明
--language	ch	中文文档；英文用 en；混合 ch_server
--pages	全部	flash 模式下题目 > 20 页时按 1-20 分批
-o	stdout	写入指定目录（推荐）；不写参数则 markdown 走 stdout

配置

Env Var	必需	用途
EZMM_MINERU_TOKEN	extract 模式必需	注册免费领，flash 不需要

失败诊断

错误	原因	处理
file page count exceeds API limit	flash 限 20 页	加 --pages 1-20；或换 extract（要 token）
TLS handshake timeout	网络抖动	重试 1 次；仍失败降级 pdfplumber
no API token found	extract 缺 token	调 mineru-open-api auth 或 fallback flash
输出 Markdown 含大量 <!-- image -->	论文图片占位	正常；只对文字部分有效