MinerU 多语言 OCR 实战指南：12 个语言参数完整对照

MinerU 多语言 OCR 实战指南：12 个语言参数完整对照

【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

MinerU 的多语言 OCR 靠 CLI 的-l语言参数实现：指定文档所属语言，pipeline 就会切换到对应的识别模型与字典。非中英语种的扫描件默认参数下容易识别错乱，指定语言后输出仍是带图片的结构化 markdown。

快速上手：三条命令解析一份阿拉伯语文档

先安装并确认模型源可达（国内网络切到 ModelScope）：

pip install MinerU export MINERU_MODEL_SOURCE=modelscope # 仅国内网络需要

然后默认语言跑一遍，再指定语言对比：

# -l 缺省为 ch，覆盖中文/英文/日文/繁体/拉丁 mineru -p your.pdf -o output/ -b pipeline # 阿拉伯语系文档，只多一个参数 mineru -p your.pdf -o output/ -b pipeline -l arabic

两点说明：-l只对pipeline后端生效，默认的hybrid-engine或vlm-engine会忽略它；该参数没有"自动检测"取值，不传时按ch处理。

工作原理：-l 参数走到哪一步

语言参数的链路很短，从参数入口到模型选择一条直线：

• 12 个公开语言值与别名定义在 mineru/utils/ocr_language.py：en、japan、ru、ar等别名会先归一到基础值再进模型，未知取值直接抛ValueError。
• 语言参数只决定"识别模型 + 字典"的选型，文本检测环节是共用的；识别侧底座来自 PaddleOCR 系列模型。
• hybrid 与 vlm 后端不读取该参数，所以"换语言没变化"通常不是语言的问题，是后端选错了。

能力全景：哪份文档该用哪个 -l

12 个取值按文字体系分组。统一输出：输出目录下按文件生成 markdown、裁剪图片与中间 JSON。

实战场景：两类日常工作

批量解析俄文合同

mineru -p contracts/ -o output/ -b pipeline -l east_slavic

目录输入受支持：contracts/下每个 PDF 各自生成一个子目录，markdown 文件名与原文件对应。预期效果：俄文正文完整，西里尔字母与数字混排（如 "1 200 000 руб."）不丢字；若合同含较多保加利亚语内容，改用cyrillic。

阿拉伯语手册走 API 提交

curl -X POST http://127.0.0.1:8000/file_parse \ -F "files=@manual.pdf" \ -F "backend=pipeline" \ -F "lang_list=arabic" \ -F "return_md=true"

lang_list表单字段与 CLI 的-l对应；列表长度小于文件数时，首值会复用到剩余文件。接口同步返回解析结果，markdown 直接在响应里取出。

参数调优与避坑：5 条自查项

1. 现象：加了 -l 没有任何变化。原因：后端不是pipeline（默认hybrid-engine会忽略该参数）。解法：追加-b pipeline。
2. 现象：报Language xxx not supported。原因：取值不在 12 个白名单内，常见误写是fr、de、vi。解法：除希腊文外没有独立的欧洲语言参数，回退到ch，其拉丁范围可覆盖。
3. 现象：传auto报错。原因：该参数没有自动检测取值，缺省就是ch。解法：按文档主导语言手工指定。
4. 现象：西里尔文文档识别不全。原因：用了east_slavic，它只覆盖俄/白俄/乌三语。解法：保加利亚、蒙古、哈萨克等改用cyrillic。
5. 现象：模型下载失败。原因：网络到不了默认模型源。解法：export MINERU_MODEL_SOURCE=modelscope后重跑。

性能与能力口径

MinerU 没有公布多语言 OCR 的官方精度或提速基准，因此不引用具体提升数字。以下数值均直接取自源码：

需要自测精度时，建议每种语系准备 20~50 页测试集，对同页分别在ch与目标语言取值下跑一遍，人工比对识别结果。

延伸阅读

多语言能力收敛在一个参数上：先判断文档文字体系，选对应的-l取值，确认后端为pipeline，识别结果就与输入匹配。

• mineru/utils/ocr_language.py：语言白名单、别名与归一化逻辑的完整实现
• docs/zh/usage/cli_tools.md：CLI 全部参数的官方说明

【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