MinerU ist in der Dokumentenanalyse kaum noch zu umgehen: Es verwandelt layoutreiche PDFs in sauberes Markdown oder JSON, Formeln in LaTeX, Tabellen in HTML und schickt Scans automatisch durch OCR — genau die hochwertigen Korpora, die LLM-Training und RAG-Wissensbasen brauchen. Auf GitHub hat das Projekt über 50.000 Sterne, doch Sterne messen nur Aufmerksamkeit. Ob sich der Einsatz lohnt, zeigen die folgenden Rechnungen.
Offizielles Repository
- Plattform: GitHub
- Organisation: opendatalab (Open-Source-Community unter dem Shanghai AI Laboratory)
- Projektname: MinerU
Entstanden ist es in der Pre-Training-Datenpipeline von InternLM, ursprünglich, um Symbol- und Formelkonvertierung in wissenschaftlicher Literatur zu reparieren; später wurde es ein eigenständiger, universeller Dokumentenparser.
Wo es stark ist
Gewöhnliche PDF-Extraktoren zerhacken Text blockweise — zweispaltige Artikel kommen durcheinander heraus, Formeln werden zu Zeichensalat. MinerU erkennt zuerst die Struktur per Layoutanalyse: Kopf- und Fußzeilen sowie Seitenzahlen fliegen raus, Inhalte werden in menschlicher Leserreihenfolge neu sortiert, Überschriftenebenen, Absätze und Listen bleiben erhalten. Es gibt zwei technische Routen: Die Pipeline-Route verkettet kleine Spezialmodelle — schnell und gut steuerbar; die VLM-Route liest ganze Seiten mit einem Dokumenten-Verständnis-Modell und ist bei komplexen Layouts und seitenübergreifenden Tabellen genauer. Neben Markdown liefert es ein koordinatenhaltiges Zwischen-JSON, nützlich für Weiterentwicklung.
Bereitstellungskosten: nicht leicht
Die Installation ist ein pip-Befehl, aber ein lauffähiges Setup lädt einen kompletten Satz Modellgewichte herunter, und die Erstkonfiguration ist anfängerunfreundlich. Die Pipeline-Route läuft auch nur auf CPU, nur langsam — Hunderte Seiten im Batch verlangen Geduld. Für brauchbares Tempo ist eine GPU mit mindestens 8 GB VRAM die praktische Schwelle, die VLM-Route verlangt mehr. Unter Windows gibt es mehr Abhängigkeitsärger als unter Linux; Teams setzen meist auf Docker oder einen Linux-Server. Docling ist im Vergleich leichter zu betreiben, aber bei komplexen chinesischen Layouts und Formeln ist MinerU derzeit der bessere Treffer.
Die echten Fallstricke
Erstens hat sich die Lizenz geändert. Anfangs AGPLv3, wechselte das Projekt mit Version 3.1.0 im Jahr 2026 zur MinerU Open Source License auf Basis von Apache 2.0, mit Namensnennungspflicht und Schwellen für kommerzielle Nutzung. Wer es in kommerzielle Produkte oder öffentliche Dienste einbettet, sollte den aktuellen Lizenztext juristisch prüfen lassen, statt sich auf den Eindruck „alter Open Source, frei verwendbar" zu verlassen — und Modellgewichte verschiedener Versionen können unterschiedliche Bedingungen haben, also jeden Download einzeln prüfen.
Zweitens hat die Genauigkeit Grenzen. Schlechte Scans, eigenwillige Tabellen und Handschrift bringen auch die VLM-Route zum Stolpern, und ihre Fehler sehen überzeugend aus. Stichprobenprüfung vor dem RAG-Index ist Pflicht, blindes Vertrauen ist keine Option.
Drittens iteriert das Projekt schnell. Releases sind häufig, Parameter und Ausgabestrukturen haben sich wiederholt geändert. Versionen zu pinnen und Regressionssamples vor Upgrades zu pflegen, ist Pflichtdisziplin für Produktionspipelines.
Für wen es sich lohnt — und für wen nicht
Wer Arbeiten, Geschäftsberichte oder Handbücher stapelweise verarbeitet, um große Modelle zu füttern, und ein Team hat, das eine Python-Umgebung pflegen kann, findet in MinerU eine Open-Source-Option der ersten Reihe. Wer nur gelegentlich ein PDF umwandelt, fährt mit der offiziellen Online-Version oder einem fertigen Konverter besser — für eine einmalige Konvertierung eine Bereitstellung aufzubauen, rechnet sich zeitlich nie.
