mineru官网支持word，ppt，图片，网页。为什么源码只支持pdf呢？

[ojslee]

mineru官网支持word，ppt，图片，网页。为什么源码只支持pdf呢？

[dosubot[bot]]

目前开源版MinerU的主流程和命令行工具只直接支持PDF和图片文件，其他格式（如Word、PPT、网页）需要先转换为PDF后再处理。这是因为2.0版本起移除了内置的LibreOffice文档转换模块，提升了开源合规性和模块化设计，官方建议用户用独立的转换工具（如LibreOffice）将Office文档转为PDF后再用MinerU解析参考。

虽然近期代码库已经合入了Word（docx）文档解析相关模块（如mineru/model/docx/），支持Word结构、表格、图片、页眉页脚等内容的解析参考，但这些功能目前还没有集成到主命令行工具和主流程中，文档和CLI用法也未正式发布，说明还在开发或测试阶段。

PPT和网页等格式，目前在开源代码和文档中没有发现类似的解析模块或入口。官网之所以能宣传支持多种格式，可能是因为线上服务集成了额外的格式转换流程，或使用了尚未开源的扩展模块，但这些在开源仓库中没有直接体现。

如果需要处理Word、PPT等文档，建议先用第三方工具转为PDF，再用MinerU进行解析。

To reply, just mention @dosu.

---

^{How did I do? Good | Irrelevant | Incorrect | Verbose | Hallucination | Report 🐛 | Other}

   

[ojslee]

PPT和网页等格式 是如何实现的呢？ 网页会爬取整个页面再解析吗？ 如果有反爬机制如何处理？

[dosubot[bot]]

开源版MinerU目前不支持直接解析PPT（PPTX）和网页格式。PPT文件需要先用LibreOffice等工具转换为PDF，再用MinerU进行解析，这样才能进入后续的版面分析、OCR、表格/公式识别等流程。如果只追求快速但低质量的PPT文本提取，可以用 magic-doc 这类工具，但不包含图片内容，质量也有限参考。

网页解析在开源MinerU中没有实现，无网页爬取、内容抓取或反爬虫机制相关模块。主流程只支持本地PDF和图片文件，不支持URL输入或网页内容抓取参考。部分线上服务或VLM后端有网页提取能力，但也存在只能提取标题、无法完整提取正文等bug，且对动态渲染网页需先抓取渲染后的HTML源码参考。目前没有证据显示MinerU实现了验证码、限流、UA伪装等反爬虫处理。

总之，PPT需先转PDF，网页内容需用其他工具抓取后再处理，开源MinerU本身不负责网页爬取和反爬机制。

To reply, just mention @dosu.

---

^{How did I do? Good | Irrelevant | Incorrect | Verbose | Hallucination | Report 🐛 | Other}