MinerU｜PDFをマークダウンに変換するOSSツール — 表・数式・レイアウトを高精度抽出

この記事ではRAGに特化して解説します。RAG全般は RAGとは？仕組み・構築・ベクトルDB選定まで【2026年完全ガイド】 をご覧ください。

MinerUとは：60,000スターを超えたドキュメント解析OSS

MinerUは、PDF・DOCX・PPTX・XLSX・画像をLLM対応のMarkdownやJSONに変換するオープンソースのドキュメント解析ツールだ。 GitHub 60,000スター超（2026年4月時点）を誇るプロジェクトで、opendatalab（上海AIラボ）が開発・メンテナンスしている。

2026年4月18日にv3.1.0がリリースされ、ライセンスが AGPL-3.0 から MinerU Open Source License（Apache 2.0ベース） に変更された。これにより商用利用の敷居が大幅に下がり、エンタープライズ環境への採用が加速している。

MinerUはRAGシステムやAIエージェントのデータ前処理として設計されており、複雑なレイアウト（段組み、ヘッダー・フッター、数式、表、画像キャプション）を正確に解析してLLMが読み込みやすい形式に変換する。単純なPDFテキスト抽出ではなく、文書の意味構造を保持した変換が最大の特徴だ。

InternLM（中国の大規模言語モデル）の事前学習データ生成プロセスで生まれたツールであり、科学論文・技術文書・法律文書など複雑なPDFの解析に特に強みを持つ。

技術アーキテクチャ：3種類のパースバックエンド

MinerUは v3.0以降、目的に応じて選択できる3種類の推論バックエンドを提供している。

3つのバックエンドの特徴

解析能力の詳細

OCR・テキスト抽出

• 109言語のOCR対応
• スキャンPDF・手書き文字の認識
• 縦書きテキストのサポート
• 複数カラムレイアウトの正確な読み取り順序復元

表の抽出

• 複雑な表構造をHTML形式で再現
• クロスページ（ページをまたぐ）表の自動結合
• 表内の画像・数式の認識（v3.0以降）

数式処理

• インライン数式・ディスプレイ数式をLaTeX形式に自動変換
• 数式番号（インターライン数式番号）の認識

文書構造の保持

• ヘッダー・フッター・脚注の自動除去
• 見出しレベルの正確な判定
• 画像・図のキャプション抽出

インストール・セットアップ

基本インストール

Python環境（Python 3.9以上）に uv または pip でインストール：

# uv を使用（推奨・高速）
uv pip install "mineru[all]"

# pip を使用
pip install "mineru[all]"

[all] オプションで全依存パッケージが含まれる。特定のバックエンドのみ使う場合は [pipeline]、[vlm] などを指定できる。

CLIでの使い方

# 基本的なPDF変換
mineru -i input.pdf -o output/

# 複数ファイルの一括処理
mineru -i "docs/*.pdf" -o output/ --workers 4

# バックエンドを指定（vlmエンジンで高精度変換）
mineru -i research_paper.pdf -o output/ --backend vlm-auto

# APIサーバーとして起動
mineru-api --port 8080

Python APIでの使い方

from mineru import MinerU

# デフォルト（pipelineバックエンド）
converter = MinerU()
result = converter.convert("input.pdf")

# 変換結果の取得
print(result.markdown)    # Markdown形式
print(result.json)        # JSON形式（構造化データ）

# 表の抽出
for table in result.tables:
    print(table.html)     # HTML形式の表

非同期APIを使ったバッチ処理

v3.0以降の新エンドポイントを使ったバッチ処理：

import requests
import time

# タスクの投入
response = requests.post(
    "http://localhost:8080/tasks",
    json={
        "file_path": "/data/documents/report.pdf",
        "backend": "pipeline",
    }
)
task_id = response.json()["task_id"]

# ステータスのポーリング
while True:
    status = requests.get(f"http://localhost:8080/tasks/{task_id}").json()
    if status["status"] == "completed":
        print("変換完了")
        print(status["result"]["markdown"][:500])
        break
    time.sleep(1)

Dockerでのデプロイ

# Docker コンテナとして起動
docker run -p 8080:8080 \
  -v /local/data:/data \
  opendatalab/mineru:latest \
  mineru-api --port 8080

# 変換リクエストの送信
curl -X POST http://localhost:8080/file_parse \
  -F "file=@/local/data/document.pdf" \
  -F "backend=pipeline"

対応フォーマットと出力形式

入力フォーマット（v3.1.0時点）

出力フォーマット

# マルチモーダル対応Markdown（デフォルト）
mineru -i doc.pdf -o output/ --output-format markdown

# 読み取り順に並べたJSON
mineru -i doc.pdf -o output/ --output-format json

# 両方出力
mineru -i doc.pdf -o output/ --output-format both

実践的なユースケース

1. RAGシステムへのPDF投入パイプライン

社内ナレッジベースをLangChainやRAGFlowに投入する際、MinerUを前処理として使うことで検索精度が大幅に向上する。

import subprocess
from pathlib import Path
from langchain_community.document_loaders import UnstructuredMarkdownLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma

def pdf_to_rag_pipeline(pdf_dir: str, output_dir: str, vector_db_path: str):
    """MinerU → LangChain RAGパイプライン"""
    
    # Step 1: MinerUでPDFをMarkdownに変換
    subprocess.run([
        "mineru",
        "-i", f"{pdf_dir}/*.pdf",
        "-o", output_dir,
        "--workers", "4"
    ])
    
    # Step 2: Markdownをロード
    docs = []
    for md_file in Path(output_dir).glob("**/*.md"):
        loader = UnstructuredMarkdownLoader(str(md_file))
        docs.extend(loader.load())
    
    # Step 3: チャンキング
    splitter = RecursiveCharacterTextSplitter(
        chunk_size=1000,
        chunk_overlap=200,
    )
    chunks = splitter.split_documents(docs)
    
    # Step 4: ベクトルストアに格納
    embeddings = OpenAIEmbeddings()
    vectorstore = Chroma.from_documents(
        documents=chunks,
        embedding=embeddings,
        persist_directory=vector_db_path,
    )
    
    return vectorstore

# 実行例
vectorstore = pdf_to_rag_pipeline(
    pdf_dir="./company_docs",
    output_dir="./markdown_output",
    vector_db_path="./vector_db"
)

2. 学術論文の構造化データ抽出

研究論文のPDFから表・数式・参考文献を構造化して抽出：

from mineru import MinerU

converter = MinerU(backend="vlm-auto")
result = converter.convert("arxiv_paper.pdf")

# 数式の抽出（LaTeX形式）
print("=== 数式一覧 ===")
for formula in result.formulas:
    print(f"位置: {formula.position}")
    print(f"LaTeX: {formula.latex}")
    print()

# 表の抽出（HTML形式）
print("=== 表一覧 ===")
for i, table in enumerate(result.tables):
    print(f"表 {i+1}:")
    print(table.html[:300])
    print()

3. 大量PDFのバッチ変換（マルチスレッド）

MinerU v3.0以降ではスレッドセーフな並行推論をサポートしており、mineru-routerと組み合わせたマルチGPU展開も可能：

# mineru-routerでマルチサービス統合・ロードバランシング
mineru-router --services http://gpu1:8080,http://gpu2:8080 --port 9000

# ルーター経由でバッチ変換
mineru -i "/data/*.pdf" -o output/ --api-url http://localhost:9000

4. MCP Server経由でのエージェント統合

MinerUにはMCPサーバーが付属しており、Claude Desktop・Cursor・Windsurfから直接PDFパースを呼び出せる：

{
  "mcpServers": {
    "mineru": {
      "command": "mineru-mcp",
      "args": ["--backend", "pipeline"]
    }
  }
}

5. LlamaIndex・Difyとのネイティブ統合

MinerUはLangChain・LlamaIndex・RAGFlow・Dify・FastGPTとのネイティブ統合を提供している：

# LlamaIndexとの統合
from llama_index.readers.file import PDFReader
from mineru import MinerUReader  # MinerU LlamaIndex Integration

# MinerUをLlamaIndexのリーダーとして使用
reader = MinerUReader(backend="hybrid-auto")
documents = reader.load_data("./technical_spec.pdf")

# LlamaIndexのインデックスに直接投入
from llama_index.core import VectorStoreIndex
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
response = query_engine.query("APIのエンドポイント一覧を教えてください")

競合ツールとの詳細比較

MinerUの最大の強みは、OSS・高精度・多フォーマット対応の3点を同時に実現している点だ。

MinerUが選ばれる理由

1. フォーマット網羅性：PDF・DOCX・PPTX・XLSX・画像を1つのツールで処理
2. ライセンス：v3.1.0からApache 2.0ベースに変更。商用プロジェクトへの採用が容易
3. 本番実用性：スレッドセーフ・マルチGPU・APIサーバー・Docker完備
4. エコシステム統合：LangChain・LlamaIndex・Dify・RAGFlowとのネイティブ統合
5. 継続開発：opendatalabとInternLMチームによる活発なメンテナンス

Webで試す・オンラインデモ

ローカルインストールなしにMinerUを試したい場合は以下のオプションがある：

• mineru.net：公式Webアプリ。ログイン必要・フル機能
• HuggingFace Spaces：基本機能デモ。ログイン不要
• ModelScope：中国ユーザー向けデモ
• Google Colab：Jupyterノートブックで試す

よくある質問

Q：MinerUのライセンスはAGPLではなくなりましたか？

A：v3.1.0（2026年4月18日リリース）からMinerU Open Source License（Apache 2.0ベース）に変更されました。以前のAGPLv3で問題になっていたGPLの伝播条件がなくなり、商用プロジェクトへの組み込みが容易になりました。

Q：GPUなしで動きますか？

A：pipelineバックエンドはCPU環境でも動作します。ただし処理速度はGPU環境に比べて大幅に遅くなります。vlm-engineとhybrid-engineはGPUを推奨します。

Q：日本語PDFの変換精度は？

A：109言語のOCRに日本語も含まれており、スキャンPDFの日本語テキスト認識にも対応しています。縦書きテキストのサポートもv3.0以降で強化されています。

Q：PDFの表が複数ページにまたがる場合は？

A：MinerUはクロスページ表結合機能を持っており、ページをまたぐ表を自動的に1つの表として認識・結合します。これはRAGシステムへのデータ投入において表データの断片化を防ぐ重要な機能です。

Q：どのくらい大きなPDFまで対応できますか？

A：v3.0でスライドウィンドウ機構が導入され、数万ページの文書でも手動分割なしに処理できるようになりました。ストリーミング書き込みにより、変換完了した部分から随時ディスクに出力されます。

関連記事: RAGとは？仕組み・構築・ベクトルDB選定まで【2026年完全ガイド】

まとめ

MinerUはGitHub 60,000スター超のOSSドキュメント解析ツールとして、PDF・DOCX・PPTX・XLSX・画像をLLM対応のMarkdown/JSONに変換する分野での事実上の標準ツールになりつつある。

2026年4月のv3.1.0リリースでライセンスがApache 2.0ベースに変更され、商用利用の障壁が取り除かれた。pipeline・vlm・hybridの3バックエンド、スレッドセーフな並行処理、mineru-routerによるマルチGPU展開、LangChain・LlamaIndex・Difyとのネイティブ統合──これらが揃い、RAGシステムのデータ前処理基盤として本番環境への採用が現実的な選択肢になった。

社内PDFナレッジベースをRAGFlowやLangChainのナレッジベースに投入する場合、DifyのワークフローにPDF解析を組み込む場合、いずれにおいてもMinerUを前処理レイヤーとして配置することで、最終的な検索精度と応答品質が向上する。

参照ソース

• opendatalab/MinerU - GitHub リポジトリ
• MinerU v3.1.0 Changelog
• MinerU 技術レポート (arXiv:2409.18839)
• MinerU 2.5 技術レポート (arXiv:2509.22186)
• MinerU 2.5 Pro 技術レポート (arXiv:2604.04771)
• mineru.net - 公式Webアプリ