MinerU

PDFs, imagens e arquivos do Office entram no MinerU e saem como Markdown ou JSON que um modelo de linguagem consegue ler. O projeto é da OpenDataLab, e a versão 4.0 junta o parsing, uma biblioteca local de documentos e uma CLI pensada para agentes.

Para que serve

• Converter PDFs, inclusive escaneados, em Markdown com tabelas e fórmulas em LaTeX.
• Ler DOCX, PPTX, XLSX, EPUB, HTML e CSV no mesmo fluxo.
• Exportar também para HTML, LaTeX, DOCX, EPUB ou PDF.
• Dar a um agente saída em JSON com localizadores de citação estáveis, para ele continuar a leitura de onde parou.
• Manter documentos internos na sua máquina, longe de um conversor de PDF online. O envio ao serviço oficial só acontece com a opção remota e uma chave configurada.

Como começar

Com Python 3.10 a 3.14, o README cria um ambiente com uv e instala o pacote (comandos de Linux e macOS):

pip install uv
uv venv .mineru --python 3.12
source .mineru/bin/activate
uv pip install -U "mineru>=4.0,<5"

Depois, mineru-kit parse document.pdf -o document.md --tier standard converte um arquivo e mineru-kit webui abre uma interface no navegador. Os níveis vão do flash, rápido e feito para prévia, ao advanced, para documentos difíceis. A instalação básica roda em CPU com 8 GB de RAM nos níveis standard e advanced. Com PyTorch, pede GPU com 8 GB de VRAM e 16 GB de RAM. Há também versão online em mineru.net.

Licença e custo

A licença é própria, a MinerU Open Source License, baseada na Apache 2.0 com condições extras. O uso comercial está liberado sem contrato à parte. Quem oferece a terceiros um serviço baseado no MinerU precisa informar isso de forma visível na interface ou na documentação. Empresas que, somadas às afiliadas, passem de 100 milhões de usuários ativos por mês ou 20 milhões de dólares de receita mensal precisam de licença comercial. Descumprir essas regras encerra a licença automaticamente.

Quando vale a pena

O MinerU ajuda quem monta base de conhecimento, RAG ou agente que lê documentos em volume. O post sobre dado não estruturado explica por que PDF dá trabalho a sistemas. Para OCR de imagem em muitos idiomas, o PaddleOCR é a alternativa.