MinerU解析

​

MinerU 解析

LangChat Pro是一个Java生态的解决方案，而文档文件的读取主要依赖于Java下的 Apache Tika。 但是实际上，Tika的解析能力非常有限，例如PDF中的Table就可能无法解析，因此，我们提供了外部服务的接入，快速做到将文档文件解析为结构化Markdown文本。

​

1. 部署MinerU服务

官网地址：https://mineru.net/ RapidDoc 是一个轻量级、专注于文档解析的开源框架，支持 OCR、版面分析、公式识别、表格识别和阅读顺序恢复 等多种功能。 框架基于 Mineru 二次开发，移除 VLM，专注于 Pipeline 产线下的高效文档解析，在 CPU 上也能保持不错的解析速度。 本项目所使用的核心模型主要来源于 PaddleOCR 的 PP-StructureV3 系列（OCR、版面分析、公式识别、阅读顺序恢复，以及部分表格识别模型），并已全部转换为 ONNX 格式，支持在 CPU/GPU 上高效推理。

---

在项目源码的根目录 docs/docker/rapid-doc 文件夹找到docker-compose脚本，一键启动即可。

​

RapidDoc（MinerU）解析流程

MarkdownSectionSplitter使用commonmark-java解析Markdown为AST（抽象语法树），确保准确识别文档结构和正确处理嵌套元素。通过自定义的节点渲染逻辑和上下文管理，实现了对各种Markdown元素的精确处理。 在LangChat Pro中，MarkdownSectionSplitter与MinerU/RapidDoc解析流程无缝衔接，形成了完整的文档处理解决方案：

1. Gotenberg服务将Office文档转换为高精度PDF
2. MinerU/RapidDoc将PDF解析为Markdown格式
3. MarkdownSectionSplitter对解析结果进行智能分段
4. 分段后的内容用于向量化解析和知识库构建

​

2. 配置MinerU服务

需要修改后端配置文件 application-dev.yml ，找到MinerU的配置并修改域名即可。

​

3. 分段选择MinerU解析

解析效果：