PDF → Markdown（MinerU）
MinerU（opendatalab/MinerU）を使用して、PDFを構造を保持したクリーンなMarkdownに変換します。学術論文向けの最高忠実度のオープンソースエンジンです。パイプラインはGPU（CUDA）上で実行されます。出力はヘッダー階層、インラインLaTeX数式（$...$）、図、表（HTML形式）を保持します。
使用タイミング
- ユーザーが「このPDFをMarkdown（またはテキスト）に変換/抽出して」と依頼した場合。
- 最適な用途：学術論文 — 複数カラムレイアウト、LaTeX数式、表、参考文献。
- 画像、
.docx、.pptx、.xlsxも処理可能（ファイルを直接渡してください）。
実行方法
MinerUは専用の分離された環境に格納されており、バンドルされているconvert.pyラッパーを通じて駆動されます。このラッパーはMinerUのPython APIをインプロセスで呼び出します。
ここでは
mineruCLIは使用しないでください。バージョン3.4.0では、Windows上でローカルAPIサーバーが起動し、502 Bad Gatewayを返します。ラッパーはこれを回避します。
"$MINERU_PYTHON" \
"<SKILLS_DIR>/pdf-to-markdown/convert.py" \
"<input.pdf>" "<output_dir>" --lang en
- 引数1 — 入力ファイル（pdf/image/docx/pptx/xlsx）。
- 引数2 — 出力ディレクトリ。
--lang— OCR言語ヒント：en（英語）、ch（中国語/混合）（デフォルトはchで、英語も処理可能）。OCR（スキャン）ページにのみ影響します。- スクリプトは成功時に
DONE -> <path to .md>を出力します。
出力レイアウト
<output_dir>/<name>/auto/<name>.md # Markdownファイル
<output_dir>/<name>/auto/images/ # 抽出された図（Markdownから参照）
<output_dir>/<name>/auto/<name>_*.json # レイアウト/コンテンツメタデータ（無視可能）
変換後
- 出力された
DONE -> ...mdパスを読み取り、ユーザーに報告します。 - オプションで短いプレビュー（タイトル＋最初の見出し）を表示します。
- 抽出された画像が書き込まれた場所を通知します。
- 通常は品質は高く、見出しは
#、インライン数式は$...$、表は<table>HTML（セル内にLaTeXを含む）として出力されます。スキャンPDFが文字化けした場合は、--method ocrを付けて再実行します。
事前確認/セットアップ（何か不足している場合のみ）
- MinerUがインストールされたインタープリター（環境変数
MINERU_PYTHON、デフォルトはpython）。 - CUDAの確認：
$MINERU_PYTHON -c "import torch; print(torch.cuda.is_available())"→True。 - モデルは
~/.cache/huggingface/hub/に事前ダウンロードされています（一度だけ）。
環境が不足している場合は、再作成します（必要に応じて最初にuvをインストール）：
uv venv --python 3.12 "<your-env>"
uv pip install --python "<your-env>/Scripts/python.exe" torch torchvision --index-url https://download.pytorch.org/whl/cu124
uv pip install --python "<your-env>/Scripts/python.exe" -U "mineru[core]"
"<your-env>/Scripts/mineru-models-download.exe" -s huggingface -m pipeline
その後、MINERU_PYTHONを<your-env>/Scripts/python.exe（Windows）または<your-env>/bin/python（macOS/Linux）に設定します。macOS/Linuxでは、モデルダウンロードバイナリはmineru-models-download（.exeサフィックスなし）です。
トラブルシューティング
cuda.is_available()がFalse→cu124インデックスからtorchを再インストールします（セットアップ参照）。必要に応じてパイプラインはCPUでも動作しますが、低速です。- モデルダウンロードが失敗/遅い →
-s modelscopeを付けてmineru-models-downloadを再実行します。 - スキャンPDFが文字化け →
convert.py呼び出しに--method ocrを追加します。 vlm-engine/hybrid-engineバックエンド → これらにはvLLM/SGLang（Linux）が必要です。Windowsでは502エラーになります。ラッパーが使用するデフォルトのpipelineバックエンドを使用してください。
軽量フォールバック（シンプル/Office文書）
レイアウトの忠実度が重要でない非論文ファイルの場合、MicrosoftのMarkItDownの方が高速でシンプルですが、学術的な2カラムPDFや表を壊す可能性があるため、論文にはMinerUを推奨します：
"$MINERU_PYTHON" -m pip install markitdown
"$MINERU_PYTHON" -m markitdown "<input>" > out.md