MinerU 多语言OCR完整指南：12个语言组覆盖60+种文字的识别路径

MinerU 多语言OCR完整指南12个语言组覆盖60种文字的识别路径【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerU一批扫描版 PDF 里混着俄文、阿拉伯文、泰文时你过去的做法大概率是拿默认中文 OCR 模型先跑一遍结果错字连片再按语种换工具、逐页重跑。MinerU 的多语言OCR能力就是解决这个断点的它把 PP-OCR 系列的语言识别模型接进了文档解析管线你只需要在解析时指定一个语言组识别结果就能直接进入结构化输出不用再为每种文字单独搭流程。MinerU 3.4.4 版本里这条能力集中在--lang参数背后12 个可选语言组合计覆盖60 种语言文字且除个别语种外共用同一个文本检测模型换语言组不用重新下载检测权重。 能力盘点12个语言组各管什么MinerU 的--lang参数接受 12 个取值每个取值对应一组「检测模型 识别模型 字符字典」的组合语言组覆盖语言识别模型字典ch默认中文、英文、日文、繁体中文、拉丁语系ch_PP-OCRv6_small_recppocrv6_dict.txtch_server同chmedium 模型精度更高ch_PP-OCRv6_medium_recppocrv6_dict.txtkorean韩文、英文korean_PP-OCRv5_recppocrv5_korean_dict.txtta泰米尔文、英文ta_PP-OCRv5_recppocrv5_ta_dict.txtte泰卢固文、英文te_PP-OCRv5_recppocrv5_te_dict.txtka卡纳达文ka_PP-OCRv3_recka_dict.txtth泰文、英文th_PP-OCRv5_recppocrv5_th_dict.txtel希腊文、英文el_PP-OCRv5_recppocrv5_el_dict.txtarabic阿拉伯文、波斯文、维吾尔文、乌尔都文、普什图文、库尔德文、信德文、俾路支文、英文arabic_PP-OCRv5_recppocrv5_arabic_dict.txteast_slavic俄文、白俄文、乌克兰文、英文eslav_PP-OCRv5_recppocrv5_eslav_dict.txtcyrillic西里尔文字体系 30 种俄文、哈萨克文、蒙古文、鞑靼文、巴什基尔文等cyrillic_PP-OCRv5_recppocrv5_cyrillic_dict.txtdevanagari天城文字体系 13 种印地文、马拉地文、尼泊尔文、梵文等devanagari_PP-OCRv5_recppocrv5_devanagari_dict.txt两个值得注意的点第一cyrillic和devanagari是「文字体系级」分组一个参数覆盖几十种语言代价是对单一语言的针对性不如east_slavic这类「语种级」分组第二绝大多数语言组共用ch_PP-OCRv6_small_det这个统一的检测模型只有ka仍走 v3 世代的多语言检测模型。 原理速览检测和识别如何分工多语言识别的核心思路是「检测与识别解耦」检测负责「框出哪里有字」识别负责「读出字是什么」换语言组只动识别侧检测模型基本不动。语言参数支持别名自动归一ru会映射到east_slavichi映射到devanagarien、japan、latin统一归到ch组。--lang仅对pipeline 后端生效其他后端不受该参数影响。 上手路径从安装到拿到多语言结果第 1 步安装 MinerU# 安装 MinerU 及全部解析依赖 uv pip install -U mineru[all]第 2 步指定语言组解析文档# 用阿拉伯语组解析 PDF指定 pipeline 后端结果输出到 output/ mineru -p doc.pdf -o output --backend pipeline -l arabic首次运行会自动下载所需模型权重国内网络可用环境变量MINERU_MODEL_SOURCEmodelscope切换模型源。解析完成后output/目录下会生成 Markdown、content list JSON 和图片文件。第 3 步验证结果打开生成的.md文件重点抽查非拉丁文字段落和数字、标点。若个别语种效果不佳再回到语言组选择上调整见下文取舍部分。⚙️ 关键参数真正影响识别效果的 4 个选项参数作用建议值-l / --lang决定加载哪个识别模型和字典直接决定识别精度默认ch确认文档语种后显式指定chvsch_server覆盖语言相同ch_server用 medium 模型精度更高但更慢GPU 环境且对精度敏感时用ch_server-b / --backend解析后端--lang只在pipeline下生效多语言OCR场景用pipeline-m / --methodauto会优先利用 PDF 自带文字层ocr强制走 OCR扫描版/图片文档显式用ocr⚖️ 边界与取舍什么场景好用什么场景别用单语种或主语种明确的文档是多语言OCR效果最好的场景显式指定语言组后识别模型和字典聚焦在该文字体系上比让默认模型「猜」要稳定得多。而中英混排的文档其实不用额外配置——默认的ch组本身就覆盖中文、英文、日文、繁体和拉丁语系。反过来的取舍也要心里有数。俄文文档用east_slavic比用覆盖面更广的cyrillic更准阿拉伯语系 8 种语言共享一个模型组其中弱势语种如俾路支文的识别率会明显低于阿拉伯文本身。含大量复杂公式或跨页表格的扫描件pipeline 后端的整体质量不如 hybrid / VLM 后端而这两个后端又不接受--lang参数——这是目前要接受的权衡。另外ka卡纳达文仍是 v3 世代的模型同组里其他语言已升级到 v5遇到该语种可以预期效果相对弱一档。最后如果你的 PDF 本身带文字层非扫描件直接走auto方法利用文字层即可完全不需要经过 OCR。➡️ 下一步先跑一遍仓库内置示例demo/pdfs/demo1.pdf确认全链路通畅再把手头的多语言文档接进来API 方式调用与输出文件结构见 docs/zh/usage/quick_usage.md。提示本文基于 v3.4.4 版本编写不同版本行为可能不同以实际版本为准。【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerU创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考