Mineru PDF To Markdown

MinerU — PDF → Markdown con layout y OCR

⚠️ Corrección 2026-09-05 (auditoría): el flag de entrada es -p (no -i), licencia "MinerU Open Source License" (Apache 2.0-based, no NOASSERTION) y la salida v2/v3 es .md+images/. El extra documentado es mineru[all], no mineru[core].

Repo: https://github.com/opendatalab/MinerU (Python, ~79K⭐) · Licencia: MinerU Open Source License (basada en Apache 2.0).

When to Use

• Cuando pidas convertir PDFs densos (con tablas, fórmulas, imágenes, multi-columna) a Markdown con layout correcto, en local.

Uso

pip install "mineru[all]"      # extras documentados; mirar módulos de extensión según docs
mineru -p entrada.pdf -o salida/    # -p = path de entrada (NO -i)

Salida (v2/v3)

• *.md (texto marcado con layout), JSON por página (*.json) y images/ con las figuras/tablas extraídas.
• (Los nombres *_middle.json/*_model.json son de la estructura v1 — obsoletos.)

Pitfalls

• Flag de entrada: -p (path), no -i.
• Licencia: MinerU Open Source License (no NOASSERTION/AGPL).
• Extras: usa mineru[all] (o los módulos de extensión documentados); mineru[core] no está documentado.

Verificación

• mineru -p doc.pdf -o out/ → comprobar out/*.md + out/images/; verificar que tablas/fórmulas conservan estructura.