MinerU：PDFやOffice文書を、表や数式を崩さずにMarkdown・JSONへ変換する文書抽出ツール

用途

• 文書のデータ化
• RAG・ナレッジ検索

何ができるか

PDF・Word・PowerPoint・スキャン画像などから、見出し・本文・表・数式・画像を判別して、Markdownや構造化JSONに書き出すツール。レイアウト解析とOCRを組み合わせており、段組みや表の多い資料でも読み順を保ちやすい。ローカルで動かせるので、社外に出せない文書をRAGやナレッジベースに取り込む前処理に向く（GPUがあると速い）。

向いている用途

• 社内規程・報告書・論文などをRAG用のテキストにする前処理
• 表の多いPDF（決算資料・仕様書）のデータ化
• スキャンされた紙資料のテキスト化

実際の使われ方（活用事例）

※ 事例の数値は、出典元（提供元の導入事例や利用者の記事）による発表・報告です。当サイトでの検証はしていません。

導入の手軽さ

●●●○○ ふつう — pip で入れてコマンド1つで変換できるが、初回に数GB規模の解析モデルをダウンロードする。大量処理にはGPUがほしい。

pip install -U "mineru[core]" && mineru -p input.pdf -o output/

※ 代表的な導入コマンドの例です。最新の手順は公式ドキュメントを確認してください。

ライセンス

MinerU Open Source License（Apache 2.0＋追加条件）。商用利用は可能。ただし月間アクティブユーザー1億人超、または月の売上2,000万ドル超の事業者は別途商用ライセンスが必要で、オンラインサービスで使う場合の表示義務もある。

ライセンスの説明は要点のみです。利用前にリポジトリのLICENSEファイル原文を確認してください。

リポジトリ情報