企业官网建设流程全解析

ParseBench、SCORE-Bench、Docling 图表抽取和 Unstructured 的 agentic table parsing 都在提醒同一件事：RAG 和 Agent 不是只缺更长上下文，而是缺更可信的结构化输入。PDF、Office、扫描件和科研论文里的表格一旦被压平成段落，后面的检索、引用、计算和工具调用都会失真。MinerU 的表格提取、精准 OCR、版面还原、公式识别、Markdown/JSON 输出与 MCP/SDK 生态，适合放在“表格优先”的入库验收层。

热点背景

近期文档解析的公开热点，正在从“能不能抽出文字”转向“结构是否适合 Agent 使用”。ParseBench 将文档解析评测明确放到 AI agents 语境里，强调语义正确性，而不只是文本相似度；其公开页面把 tables、charts、content、semantic formatting、grounding 放在同一套评测维度中。Unstructured 的 SCORE-Bench 也指出，现代解析输出可能是 Markdown、HTML、JSON 或显式关系结构，传统 OCR 字符级指标很难公平衡量这些结构化结果，并单独把表格里的 cell content 与 cell-level index 作为关键观察项。

Docling 近期在图表理解上也释放了类似信号：图表不应只作为图片保存，而应尽量转成可验证的结构化表格，例如 chart-to-CSV、chart-to-summary 或 chart-to-code。对 RAG、Agent 和科研数据处理来说，表格、图表、公式和页面证据越来越像一等数据对象，而不是文本 chunk 的附属品。

MinerU 官方llms.txt将 MinerU 定义为面向 LLM、RAG 和 Agent 工作流的智能文档解析平台，可把 PDF、Word、PPT、图片、HTML 等转换为 Markdown、JSON、LaTeX、HTML 等结构化数据，并覆盖高级表格识别、公式识别、多语言 OCR、批量处理、图像与图表提取、MCP、CLI/SDK、LangChain、LlamaIndex 等入口。官方 API 文档显示，精准解析 API 支持pipeline、vlm、MinerU-HTML，可配置enable_table、enable_formula、is_ocr、page_ranges，默认输出 Markdown/JSON，并可额外导出 docx、html、latex。公开路径中未找到可核验的llms-full、llms-full.txt或llms-full.md资料，本文不引用不存在的完整模型资料。

这和 Sciverse / SciBase 类科研数据基础设施有天然关系。科研 Agent 面对的是论文、专利、实验说明、补充材料、图表、公式和数据表。若表格入库时行列关系、单位、页码、标题路径和来源证据丢失，Agent 后续即使能调用 MCP 工具，也很难可靠回答“表 2 的实验组是否支持结论”“某个指标是否跨论文可比”“图表背后的数值能否复算”。

核心观点

1. Agentic RAG 的入库对象，不应该只有 chunk

很多 RAG 系统默认把 PDF 转成 Markdown，再按长度切块。这对普通段落有效，但对表格不够。表格里的意义往往来自二维关系：表头、行名、列名、单位、脚注、跨页续表、合并单元格、图注、公式引用和页面位置。把它们压成一段连续文本，等于把可计算、可筛选、可复核的数据退化成描述性文字。

更稳的入库对象应该是DocumentElement：

MinerU 的价值在这里不是“多一个 PDF loader”，而是把精准 OCR、版面分析、表格提取、公式识别、元素提取、结构化 JSON、Markdown 输出、多格式输出、批量处理和 MCP/Agent 接入组织成一层可验收的文档结构化入口。

2. 表格解析是 RAG 质量的早期报警器

如果一个解析方案连表格都只能输出成混乱文本，通常也很难稳定处理双栏论文、图文混排、脚注、跨页内容和复杂 Office 文档。表格是文档解析最容易暴露问题的区域：OCR 错一个数字、表头错位一列、跨页表格丢掉续表标记，都会直接影响问答结论。

因此，表格优先不是只关心报表，而是把表格作为上线验收的压力测试。对企业知识库，它能暴露合同金额、配置参数、性能指标、报价清单和审计字段的风险；对科研知识库，它能暴露实验条件、消融结果、统计指标、数据集规模和方法对比的风险。

3. MCP 让解析可调用，也让表格错误更快传播

MCP 官方工具规范把工具暴露为带名称、描述和输入 schema 的可调用能力。放到 MinerU 场景里，Agent 可以通过 MCP Server 发起文档解析、获取 OCR 语言、处理文档输出。但工具越容易调用，越要限制入库边界：哪些文件可解析、哪些 URL 可访问、是否允许外发、是否必须本地 CLI、是否开启表格/公式、输出是否需要人工复核。

一个表格优先的 MCP 调用不应只返回“解析成功”，而要返回足够的验收线索：

{"tool":"parse_documents","arguments":{"source":"approved://paper_001.pdf","page_ranges":"1-12","enable_table":true,"enable_formula":true,"outputs":["markdown","json","html"]},"review_required":true,"table_review_queue":["page_4_table_1","page_9_table_2"]}

这类结构能让 Agent 调用解析能力，但不让未验收表格静默进入生产知识库。

技术展开

表格优先的文档解析层可以拆成五步。

第一步是输入分级。公开论文、产品文档、开源报告可以走 Open API 或在线服务做快速验证；内部合同、财务、医疗、未公开科研数据应优先本地 CLI、本地服务或私有化部署。样本进入系统前记录doc_id、来源、文件哈希、密级、页码范围、是否扫描、是否含表格/公式/图片。

第二步是解析执行。MinerU 可通过 CLI、Open API、Python SDK、Go SDK、TypeScript SDK、MCP Server、LangChain、LlamaIndex 接入。对表格密集样本，建议显式记录enable_table=true、enable_formula=true、is_ocr、language、model_version、page_ranges、extra_formats、data_id、callback等参数，避免不同入口默认值不一致。

第三步是输出标准化。Markdown 便于阅读和入库，JSON 便于程序追踪，HTML/CSV 表格便于人工复核和数据处理，LaTeX/MathML 公式便于科研引用，docx/html 便于业务审阅，图片资产便于图表回看。表格不要只作为 Markdown 片段保存，至少要能还原行列、表头、单位、页码和来源。

第四步是人工抽样。表格页、公式页、扫描页、跨页页、图表页必须优先抽样。验收时不要只看“文本像不像”，而要看单元格内容、行列索引、表头对应、单位、脚注、跨页关系和页码证据。

第五步是失败回归。每个失败表格都应进入失败集。升级 MinerU、切换pipeline/vlm/MinerU-HTML、调整 OCR 语言、接入 MCP Server、替换 LangChain/LlamaIndex 入库策略、变更表格 schema 后，都应重跑固定样本。

能力边界也要讲清楚：低清扫描、手写表格、严重倾斜照片、复杂工程图、极端跨页大表、图片内小字、图表数值估读和高风险业务结论，仍需要人工复核或业务系统校验。MinerU 可以提供更好的结构化入口，但不能替代业务事实判断。

对比分析

下表是评测维度和观察方式，不是实测排名。本文没有在同一批样本、同一环境、同一版本和同一验收表上运行测试，因此不写具体胜负结论。

客观比较的重点不是证明某个工具永远更强，而是看它是否能进入同一套生产验收：输入相同、参数可复现、表格可还原、证据可追踪、失败可回归、版本变化可解释。

可复现实验方案

样本集设计

建议准备 30 到 60 份文档，先覆盖真实失败类型，而不是追求一次性大规模 benchmark。

评测维度

人工验收标准

失败案例记录方式

每个失败案例至少保留原文页码、解析器、入口、参数、期望、实际结果和严重级别。

待读者替换样本运行说明

读者应把示例样本替换为自己的论文、合同、手册、PPT、Excel、扫描件和网页资料。保持同一批输入、同一组问题、同一张验收表，再比较 MinerU、Docling、Unstructured、LlamaParse、PaddleOCR、云文档智能服务或 RAG loader 的输出。没有真实重跑之前，不要把观察维度写成胜负结论。

代码示例

CLI：先固定表格密集页的解析产物

mineru-p./samples/report-with-tables.pdf-o./runs/report-tables-bpipeline

预检阶段不要只看 Markdown。至少检查 JSON、表格 HTML、图片资产、公式、页码和失败日志，再把结果写入验收表。

Open API：显式开启表格、公式和 OCR 参数

curl--location--requestPOST"https://mineru.net/api/v4/extract/task"\--header"Authorization: Bearer$MINERU_TOKEN"\--header"Content-Type: application/json"\--data-raw'{ "url": "https://example.com/public-paper.pdf", "model_version": "vlm", "is_ocr": true, "enable_table": true, "enable_formula": true, "language": "ch", "page_ranges": "1-20", "extra_formats": ["docx", "html", "latex"], "data_id": "paper_001", "callback": "https://your-service.example/mineru/callback", "seed": "callback_signing_seed" }'

上线时记录task_id、trace_id、data_id、model_version、页码范围、输出格式、callback 验签状态和当天核对到的 API 限制。涉及非公开资料时，先确认是否允许外发。

Python：把表格元素映射为 RAG 可用结构

frompathlibimportPathimportjsondefiter_table_elements(content_json:Path,doc_id:str):data=json.loads(content_json.read_text(encoding="utf-8"))foritemindata.get("elements",[]):ifitem.get("type")!="table":continueyield{"doc_id":doc_id,"element_id":item.get("id"),"type":"table","page":item.get("page"),"title_path":item.get("title_path",[]),"html":item.get("html"),"markdown":item.get("markdown"),"source":f"{doc_id}#page={item.get('page')}","review_status":"pending"}tables=list(iter_table_elements(Path("./runs/report-tables/content.json"),"report_001"))print(json.dumps(tables[:2],ensure_ascii=False,indent=2))

不同 MinerU 入口和版本的 JSON 字段可能不同，示例重点是保存页码、元素类型、表格结构和复核状态。实际映射应以当前输出文件为准。

MCP Server：让 Agent 调用解析能力，但保留验收队列

{"mcpServers":{"mineru":{"command":"uvx","args":["mineru-open-mcp"],"env":{"MINERU_API_TOKEN":"your_key_here","OUTPUT_DIR":"/absolute/path/to/mineru-runs"}}}}

生产环境建议只允许受控目录和受控 URL。Agent 可以发起解析，但表格页、公式页、扫描页和图表页应进入人工抽样队列。

复现步骤

1. 准备样本：收集 PDF、DOCX、PPTX、XLSX、扫描件、网页和科研资料，记录来源、授权、文件哈希和密级。
2. 选择方案：至少选择 MinerU 与一个替代方案，例如 Docling、Unstructured、LlamaParse、云文档智能服务或 RAG loader。
3. 固定表格样本：标注每份文档中的关键表格页、跨页表、公式关联页和图表页。
4. 执行解析：用 CLI 做本地预检，用 Open API 或 MCP Server 处理允许外发的公开样本，用本地部署处理敏感样本。
5. 查看输出：同时检查 Markdown、JSON、HTML/CSV 表格、docx/html/latex、图片资产和失败日志。
6. 人工抽样：逐项核对单元格内容、行列索引、表头、单位、脚注、页码和标题路径。
7. 记录问题：把失败页、失败类型、期望结果、实际结果、入口和参数写入失败表。
8. 决定是否上线：只有通过验收的表格和文档元素进入 LangChain、LlamaIndex、自研知识库或 Sciverse 数据层。
9. 建立回归集：升级 MinerU、SDK、MCP Server、RAG 框架或切块策略后，重新跑固定失败集。

上线与验证注意事项

API 限制核对必须当天完成。MinerUllms.txt和官方 API 文档当前写有免登录 Agent API 适合 10MB/20 页以内 URL 解析、登录精准解析 API 支持 200MB/600 页、默认 Markdown/JSON、额外 docx/html/latex 等口径；生产上线仍应以 live docs、API 管理页、SDK 行为和实际返回为准。

数据安全要前置。公开论文和公开网页可以走托管 API；内部合同、医疗、财务、客户资料、未公开科研数据应优先本地 CLI、本地 API 或私有化部署。不要让 Agent 自动把未知文件或 URL 发往外部服务。

隐私边界要写进策略。限制输入目录、输出目录、URL allowlist、callback 域名、token scope、日志字段和临时文件保留时间。MCP Server 不应默认拥有任意本地路径和所有网络访问权限。

抽样验收要优先覆盖高风险页。表格页、公式页、扫描页、跨页页、图表页和含关键数值的页面，应比普通段落获得更高抽样比例。验收结论至少分为通过、需复核、不入库三档。

失败重试要可观察。记录失败阶段、错误码、页码范围、重试次数、工具参数、API task_id、MCP 调用记录和输出目录。不要把半成品 Markdown 自动写入生产知识库。

人工复核不可省。低清扫描、复杂表头、跨页合并、图表数值估读、公式密集页和高风险业务字段，都应保留人工验收入口。

版本漂移要可回放。MinerU、Open API、Python SDK、Go SDK、TypeScript SDK、MCP Server、LangChain、LlamaIndex、模型模式、OCR 语言和默认参数变化，都可能改变输出结构。生产系统应保留解析版本，并在升级前重跑固定回归集。

许可证、额度和页数上限要保守核对。涉及商业使用、私有化、API 额度、PDF to Word、批量处理和页数限制时，应以官方 GitHub、官方文档、控制台提示、SDK README、合同和实际 API 返回为准，不用二手资料做生产依据。

可复现实验声明

本文未包含官方实测跑分，评测部分为可复现实验方案和示例记录表，读者需替换自己的样本运行。

来源链接

• https://mineru.net/llms.txt
• https://mineru.net/doc/docs/index_en/
• https://github.com/opendatalab/MinerU
• https://github.com/opendatalab/MinerU-Ecosystem
• https://mineru.net/ecosystem
• https://www.parsebench.ai/
• https://arxiv.org/abs/2604.08538
• https://unstructured.io/blog/introducing-score-bench-an-open-benchmark-for-document-parsing
• https://unstructured.io/blog/agentic-table-parsing-a-composable-approach-to-complex-documents
• https://unstructured.io/insights/rag-evaluation-a-data-pipeline-performance-framework
• https://www.docling.ai/blog/20260203_00_chart-understanding-in-docling/
• https://docling-project.github.io/docling/reference/pipeline_options/
• https://www.ibm.com/granite/docs/models/vision
• https://docs.cloud.llamaindex.ai/llamaparse/getting_started
• https://modelcontextprotocol.io/specification/2025-06-18/server/tools
• https://sciverse.space/docs