Yushu Document Parser

把 PDF、图片、Office、OpenDocument、EPUB、OFD、HTML/MHTML 等文档解析能力包装成 Agent Skill + MCP 服务，让 Codex、WorkBuddy 等 MCP 客户端可以调用 MinerU 4.0.7 提取正文，并在本机保存 Markdown、结构化 JSON 和文档中的图片。

项目面向 Windows 桌面端，支持两种明确选择的解析方式：本机运行 MinerU，或把文件发送到用户自己部署在私网中的 MinerU API。两种方式使用相同的 MCP 工具和产物格式。

本项目只负责文档解析和产物读取。图片会提取为文件，不会自动生成图片描述；项目不负责摘要、翻译、知识库构建或向量检索。

目录

• 来源与项目关系

• 能力范围

• 工作流程

• MCP 工具

• 输出文件

• Windows 安装

• 快速安装

• AI 助手安装与排障

• 安装验证

• 选择本机或云端后端

• 云端部署

• 安全与隐私

• 常见问题

• 开发与测试

• 许可与致谢

Related MCP server: MinerU MCP Server

来源与项目关系

本仓库中的 MCP 服务、Skill、Windows 安装器和 Docker Compose 模板，是围绕项目原有的 MinerU 文档解析工作流整理出的独立适配代码。实际执行 PDF、图片和 Office 内容识别的引擎来自 OpenDataLab 官方 MinerU 项目。仓库固定包含 MinerU 4.0.7 官方 PyPI 发布 wheel、从该 wheel 解出的可读引擎源码、发行元数据及上游许可。

本仓库不是 MinerU 完整的 Git 仓库或官方 fork。vendor/mineru-4.0.7/ 中的引擎文件来自 OpenDataLab 发布的 mineru-4.0.7-py3-none-any.whl，并保留原始 wheel 与 SHA-256 来源记录；本机安装器和 Docker 构建从仓库内 wheel 安装相同的引擎版本。wheel 所需的其他 Python 依赖仍由 pip/uv 获取，模型在首次解析时按 MinerU 配置下载。模型权重、运行环境、用户文件和解析产物不放入仓库。这里的独立适配代码负责把 MinerU 的 Python SDK/V1 API 接入 MCP 工具，管理输入、产物目录、远程任务和客户端配置。

能力范围

支持输入

MinerU 4.0.7 新增 MHTML/MHT 网页归档解析。.txt、.md 等纯文本本身已可直接阅读，不需要调用解析工具。

能做什么

• 解析单个文件，或按给定顺序逐个解析多个文件。

• 提取文本和版面结构，保存 Markdown、MinerU 4 structured_content.json、middle_json.json 和 ZIP 产物中的图片。

• 保存解析结果中包含的图片文件。

• 分段读取解析后的 Markdown，或在确有需要时读取全文。

• 将产物保存在本机；重复解析不会覆盖已有结果，而会分配新目录。

• 批处理逐文件返回成功或失败状态；某一文件失败不会中止其余文件。

• 显式选择本机或已配置的远程后端。所选后端不可用时会报告错误，不会暗中改走另一后端。

当前边界

• 不生成图片描述。 解析出的图片会保留在 images/，需要理解图片时应由后续具备视觉能力的模型读取图片。

• 不保证识别零错误。 扫描质量、倾斜、手写内容、复杂表格和特殊字体都会影响 OCR 与版面结果；重要内容需要人工复核。

• 不扫描目录。 工具接收文件路径列表，不会递归查找目录中的文件。

• 不修改输入文件，不做摘要、翻译、问答、分类、向量化或知识库写入。

• 支持的输入格式和 MinerU 的原生能力可能不同；本服务只开放上表列出的格式。

工作流程

flowchart LR
    A[Codex / WorkBuddy] --> B[document-parser Skill]
    B --> C[本机 MCP 服务]
    C -->|local| D[本机 MinerU 4.0.7 SDK]
    C -->|remote：显式配置| E[用户私网中的 MinerU V1 API]
    D --> F[本机产物目录]
    E -->|下载 V1 ZIP 并解压| F
    F --> G[read_parsed_text 读取 Markdown]

Skill 会提醒 AI：先解析，再根据返回的路径读取正文；长文按段读取；检查每个批处理文件的状态；不要把已选后端失败解释为自动切换成功。

与 Cognition-Loom-skills 配合

本项目可以作为书籍技能工作流的文档预处理环节，与 Cognition-Loom-skills 中的 book-to-skill 配合使用：先用本项目把 PDF 或 Office 文件解析为 Markdown，并提取相关图片；再由 book-to-skill 对整理后的书籍正文进行章节结构化提取，生成章节摘要、术语表和速查表等 Skill 内容。

这两个仓库可以独立安装和使用。yushu-document-parser 不会自动调用或安装 book-to-skill；用户可在同一个 AI 客户端中安装两边的 Skill，并根据需要把解析得到的 Markdown 和图片交给后续技能处理。文档解析结果是否完整、图片是否需要单独查看，应在进入书籍提炼步骤前确认。

MCP 工具

服务通过标准输入/输出（stdio）启动，MCP server 名称及 Codex/WorkBuddy 配置键为 yushu-document-parser。三个工具名和 Skill 名称仍为 parse_document、parse_documents、read_parsed_text 与 document-parser。

parse_document

解析一个文件，返回输入路径、所用后端、状态、产物路径和短预览。

parse_documents

按传入顺序逐个解析一组文件。每项结果独立报告状态、后端与产物；单项失败不会打断后续文件。

read_parsed_text

读取 parse_document 返回的 Markdown 文件路径。默认一次最多读取 200 行，结果会返回 next_line 和 has_more，便于继续读取。

简化调用示例：

{
  "file_path": "D:/资料/年度报告.pdf",
  "tier": "auto",
  "backend": "local"
}

AI 客户端应先查看解析工具返回值中的 markdown_path，再将该路径传给 read_parsed_text。解析工具只返回短预览，避免长文在解析阶段占用过多上下文。

输出文件

默认输出目录：

• Windows：%LOCALAPPDATA%\DocumentParser\output

• Linux/macOS：~/.local/share/document-parser/output

每个输入文件会写入独立、不冲突的目录，典型结构如下：

output/
  年度报告/
    markdown.md
    structured_content.json
    middle_json.json
    images/
      image_1.png

目录和文件的实际命名以工具返回的绝对路径为准。重名输入或重跑会使用递增目录名，保留已有产物。structured_content.json 保存面向下游工具的结构化内容，middle_json.json 保存 MinerU 4 中间文档结构；图片被提取到 images/。

Windows 安装

环境要求

• Windows 10/11。

• Git for Windows，用于克隆仓库；如果已下载仓库，可跳过克隆命令。

• Python 3.10–3.14，并能在 PowerShell 中运行 python。

• 本机后端需要足够的磁盘空间存放 MinerU 依赖和模型。NVIDIA GPU 可加速 PDF/图片的 standard/advanced 档；没有检测到可用 GPU 时，安装器会询问是否继续安装 CPU 版，CPU 解析通常慢很多。

• Windows GPU 安装默认使用 PyTorch 官方 CUDA 12.6 wheel 源，并沿用 MinerU 依赖解析出的兼容 PyTorch 版本。若本机 CUDA wheel 源不同，可通过 -TorchIndexUrl 指定，例如 https://download.pytorch.org/whl/cu128。

• 云端后端只要求本机 MCP 的 Python 依赖与网络可达，不需要在 Windows 安装 MinerU 引擎或模型。

快速安装

适用于 Windows 10/11、Python 3.10–3.14，以及 Codex 和 WorkBuddy。安装器会使用当前 Windows 用户的目录，不需要管理员权限；uv 是可选项，没有安装时安装器会使用 Python 自带的 venv 和 pip。

在 PowerShell 中切换到你希望放置仓库的父目录，运行：

if (-not (Get-Command git -ErrorAction SilentlyContinue)) { throw "未找到 Git for Windows；请先安装 Git，或在已下载的仓库目录继续。" }
git clone https://github.com/lan99988/yushu-document-parser.git
if ($LASTEXITCODE -ne 0) { throw "克隆仓库失败；先检查 Git 和网络连接。" }
Set-Location .\yushu-document-parser

$python = Get-Command python -ErrorAction SilentlyContinue
if (-not $python) { throw "未找到 Python；请安装 Python 3.10–3.14，并确保 python 命令可用。" }
$pythonVersion = (& $python.Source --version 2>&1 | Out-String).Trim()
if ($pythonVersion -notmatch '^Python 3\.(10|11|12|13|14)\.') { throw "需要 Python 3.10–3.14，当前为：$pythonVersion" }
Write-Host $pythonVersion

Set-ExecutionPolicy -Scope Process Bypass -Force
.\scripts\install.ps1 -Backend local

本机解析模式

本机模式不会上传文件。检测不到 NVIDIA GPU 时，安装器会询问是否继续使用 CPU；继续安装后解析速度会较慢。若需连接自己部署的私网 API，请按使用自有云端解析运行远程安装命令。不要因为本机缺少 GPU 就自动切换到远程服务。

安装器会创建隔离 Python 环境，将 MCP 程序安装到 %LOCALAPPDATA%\DocumentParser\app，将产物写入 %LOCALAPPDATA%\DocumentParser\output，并安装 Skill 到：

• %USERPROFILE%\.codex\skills\document-parser\SKILL.md

• %USERPROFILE%\.workbuddy\skills\document-parser\SKILL.md

同时它会备份并合并 Codex 和 WorkBuddy 的 MCP 配置，不覆盖已有的其他 MCP 服务；若旧 document-parser 配置确实启动本项目模块，安装器会在备份后迁移为 yushu-document-parser，同名的其他服务会保留。重复运行会更新本服务配置，不会重复添加。安装完成后重启两个客户端以加载工具和 Skill。MinerU 4.0.7 wheel 随仓库提供；其 Python 依赖正常下载，模型在首次解析时下载。

GPU 安装会在安装 MinerU 依赖后，从配置的 PyTorch wheel 源重新安装匹配的 CUDA wheel，避免解析 MinerU 依赖时被替换成 CPU wheel。未检测到 GPU 并选择 CPU 模式时，安装 MinerU CPU 基础运行时。

从本仓库 3.2.3 适配版升级时，可以重新运行此安装器：它会备份并合并客户端配置、迁移 MCP 名称、更新 MCP 程序和 Skill，并从仓库内的官方 wheel 安装 MinerU 4.0.7。4.x 的模型缓存与配置和旧版不同，首次解析可能需要重新下载模型。

AI 助手安装与排障

让 AI 助手执行安装时，要求它按以下顺序工作：

1. 确认当前系统为 Windows 10/11，客户端为 Codex 或 WorkBuddy，并确认用户选择 local 或 remote。默认使用 local，以便文件保留在本机；本机模式没有 GPU 时，在安装器提示处继续 CPU 安装并告知用户解析速度会较慢。

2. 按上面的快速安装步骤克隆仓库并运行安装器。若目标目录已存在，先检查它是否为本仓库及是否有未提交更改，再决定是否复用；记录完整错误文本、命令退出码和 Python 版本；不要把 API key 写入聊天、README、源代码或诊断日志。

3. 根据错误类型检查原因，只修复当前用户的项目环境或客户端配置。每次修复后重跑安装器并执行安装验证。

4. 发现缺少兼容 Python、需要管理员权限、缺少远程 API 地址或 API key 时，停止并向用户说明需要补充的内容。不要提权、修改系统级执行策略、重写无关 MCP 配置，也不要擅自把文件改为上传到远程服务器。

5. 完成基础级验证后，输出独立的 安装成功 字样，并列出已通过的检查、后端模式和下一步客户端重启提示。基础级验证失败时输出 安装未成功，附上失败检查和下一步处理办法；不得报告安装成功。

常见错误的处理方式：

修复过程只操作 %LOCALAPPDATA%\DocumentParser\app 下的本项目环境和当前用户的 Codex/WorkBuddy 配置。配置文件的手动修复应先自行备份；安装器会在覆盖有效配置时创建带时间戳的备份。若错误无法在这些范围内恢复，报告诊断结果和需要用户执行的步骤。

安装验证

基础级验证会检查安装 Python、两个客户端的 MCP 配置，以及 MCP stdio 握手和三个工具的发现结果。它不下载 MinerU 模型，也不执行文档解析。安装完成后，在仓库目录的 PowerShell 中运行：

$installPython = Join-Path $env:LOCALAPPDATA "DocumentParser\app\.venv\Scripts\python.exe"
if (-not (Test-Path $installPython)) { throw "未找到安装器创建的 Python 环境。" }

$verifyScript = @'
import asyncio
import json
import os
import sys
import tempfile
from pathlib import Path

import tomlkit
from mcp import ClientSession
from mcp.client.stdio import StdioServerParameters, stdio_client

expected = {"parse_document", "parse_documents", "read_parsed_text"}
home = Path.home()
codex_path = home / ".codex" / "config.toml"
workbuddy_path = home / ".workbuddy" / "mcp.json"
codex = tomlkit.parse(codex_path.read_text(encoding="utf-8"))["mcp_servers"]["yushu-document-parser"]
workbuddy = json.loads(workbuddy_path.read_text(encoding="utf-8"))["mcpServers"]["yushu-document-parser"]

for label, entry in (("Codex", codex), ("WorkBuddy", workbuddy)):
    if Path(entry["command"]).resolve() != Path(sys.executable).resolve():
        raise RuntimeError(f"{label} MCP 配置未指向当前安装环境")
    if list(entry["args"]) != ["-m", "document_parser_mcp.server"]:
        raise RuntimeError(f"{label} MCP 启动参数不正确")
if workbuddy.get("disabled") is not False:
    raise RuntimeError("WorkBuddy 中的 MCP 服务处于禁用状态")

for skill_path in (
    home / ".codex" / "skills" / "document-parser" / "SKILL.md",
    home / ".workbuddy" / "skills" / "document-parser" / "SKILL.md",
):
    if not skill_path.is_file():
        raise RuntimeError(f"未找到 Skill 文件：{skill_path}")

server_env = dict(codex.get("env", {}))
if server_env != dict(workbuddy.get("env", {})):
    raise RuntimeError("Codex 与 WorkBuddy 的 MCP 环境变量不一致")
backend = server_env.get("DOCUMENT_PARSER_BACKEND")
if backend not in {"local", "remote"}:
    raise RuntimeError("MCP 后端未配置为 local 或 remote")
if backend == "remote" and not server_env.get("DOCUMENT_PARSER_REMOTE_URL"):
    raise RuntimeError("remote 后端缺少 MinerU API 地址")

async def verify():
    env = os.environ.copy()
    env.update(server_env)
    with tempfile.TemporaryDirectory() as output_dir:
        env["DOCUMENT_PARSER_OUTPUT_DIR"] = output_dir
        params = StdioServerParameters(
            command=sys.executable,
            args=["-m", "document_parser_mcp.server"],
            env=env,
        )
        async with stdio_client(params) as (read_stream, write_stream):
            async with ClientSession(read_stream, write_stream) as session:
                await session.initialize()
                tools = {tool.name for tool in (await session.list_tools()).tools}
    if tools != expected:
        raise RuntimeError(f"MCP 工具不匹配：{sorted(tools)}")
    print("基础验证通过：安装环境、Codex/WorkBuddy 配置、MCP 握手及三个工具均正常。")

asyncio.run(verify())
'@
$verifyBase64 = [Convert]::ToBase64String([Text.Encoding]::UTF8.GetBytes($verifyScript))
& $installPython -c "import base64; exec(base64.b64decode('$verifyBase64').decode('utf-8'))"
if ($LASTEXITCODE -ne 0) { throw "基础安装验证失败；请按 AI 助手安装与排障章节检查错误。" }

只有以上检查全部通过后，才报告：

安装成功
验证结果：Python 环境、Codex/WorkBuddy MCP 配置、服务握手及三个工具均正常。
后端：local 或 remote。
下一步：重启 Codex 和 WorkBuddy，使配置和 Skill 生效。
真实文档解析：未执行（基础安装验证不下载模型、不处理用户文档）。

第二级真实解析验证是可选的。它需要一个用户指定的非敏感样例文件；本机模式首次解析可能下载较大的 MinerU 模型。remote 模式会把完整样例文件上传到配置的 MinerU API，必须先确认用户已选择该服务器并同意传送该文件。报告第二级结果时，分别标明通过、失败或未执行；它不改变基础级安装验证的判定。

使用自有云端解析

如果已按云端部署启动 API：

无鉴权的 API：

.\scripts\install.ps1 -Backend remote -RemoteUrl "http://100.64.0.10:8000"

配置了 API key 的 API：在本地安全终端输入，不要把 key 写入聊天或命令文本。

$secureToken = Read-Host "输入云端 API token" -AsSecureString
$remoteToken = [System.Net.NetworkCredential]::new("", $secureToken).Password
try {
    .\scripts\install.ps1 -Backend remote -RemoteUrl "http://100.64.0.10:8000" -RemoteToken $remoteToken
} finally {
    Remove-Variable remoteToken, secureToken -ErrorAction SilentlyContinue
}

也可以使用 Tailscale MagicDNS 地址，例如 http://mineru.tailnet-name.ts.net:8000。安装器会检查目标属于 Tailscale 或常见私网地址。remote 模式不安装本机 MinerU；选择 remote 表示所选文件会上传到所配置的服务器进行解析。若云端 .env 设置了 MINERU_API_KEY，客户端要通过 -RemoteToken 配置同一密钥。

选择本机或云端后端

安装选择会写入 MCP 配置中的后端环境变量。单次工具调用也可以显式指定 backend。MinerU 4 使用 tier 选择解析质量：默认 auto 对 PDF/图片选 standard，对原生文档选 flash。V4 不再使用旧版 language 参数，OCR 语言由引擎自动处理。如果远程 URL 未设置或服务报错，工具只返回错误，不自动上传到其他地方或切回本机。

MCP 服务识别以下环境变量，可用于手动配置或排障：

云端部署

仓库提供 Linux Docker Compose 模板，不绑定特定云厂商。服务器先安装 Docker Engine/Compose 和 Tailscale，并加入你自己的 tailnet。默认模板使用 CPU；模型缓存和 API 输出保存在 Docker 卷中。

cd cloud
cp .env.example .env
# 编辑 .env，将 TAILSCALE_IP 改为本机的 Tailscale IPv4 地址
docker compose build
docker compose up -d

首次构建从仓库内随附的 MinerU 4.0.7 官方 wheel 安装 CPU 基础运行时；启用 GPU 覆盖配置时选择 [full] 依赖。其他 Python 依赖仍从包源获取，第一次解析时下载模型。可以从已加入 tailnet 的设备检查健康状态：

curl http://100.64.0.10:8000/v1/health

可在 cloud/.env 中设置 MINERU_API_KEY 启用 V1 API bearer key；Windows 客户端安装时使用相同的 -RemoteToken。服务仍绑定到 Tailscale 地址，不要映射到公网接口。

可选 GPU

启用 GPU 前，在服务器安装与 NVIDIA 驱动匹配的 NVIDIA Container Toolkit，并根据实际驱动选择官方兼容的 PyTorch CUDA wheel 源，在 cloud/.env 中设置 TORCH_INDEX_URL。然后运行：

docker compose -f docker-compose.yml -f docker-compose.gpu.yml build
docker compose -f docker-compose.yml -f docker-compose.gpu.yml up -d

GPU 驱动、CUDA wheel 与服务器配置必须匹配；仓库不预设某个云厂商或 GPU 型号。

安全与隐私

• 本机后端由本机 MCP 进程读取传入路径并调用本机 MinerU；不把文件上传到本项目维护的服务器。

• 远程后端会把完整输入文件发送到 DOCUMENT_PARSER_REMOTE_URL 指向的 MinerU API，并把解析 ZIP 下载回本机。该服务器由使用者自行选择、部署和管理。

• Docker Compose 将 API 端口绑定到 .env 中的 TAILSCALE_IP，模板不应改为 0.0.0.0，也不要把 API 暴露在公网或公开反向代理之后。

• API key 可以通过 MINERU_API_KEY 启用；无 key 时，访问控制依赖 Tailscale 私网与 ACL。两种配置都只应允许需要的设备访问 TCP 8000，不要把服务公开到公网。

• 远程任务及模型的保留、清理策略由 MinerU API 和服务器卷配置决定。部署者应自行设置访问控制、磁盘容量和数据保留周期。

• 仓库不包含用户文档、模型缓存、解析产物或其他项目资料；.env 等本地配置由 .gitignore 排除。

常见问题

安装时没有检测到 NVIDIA GPU，能否使用？

可以选择继续安装 CPU 版。解析速度通常较慢；也可以取消本机安装，改用自己部署的 remote 后端。

为什么第一次解析很久？

MinerU 可能需要首次下载模型。下载速度取决于模型源和网络；云端模式的模型在服务器第一次解析时下载。

解析成功但没有图片描述？

这是预期行为。工具会返回图片文件路径，不调用图像理解模型。

能否直接把整个文件夹交给工具？

当前工具不遍历文件夹。请传入明确的文件路径列表；批处理按照列表顺序执行。

remote 连接失败后会自动用本机处理吗？

不会。工具会报告错误，以免文件在没有明确选择的情况下被上传或切换到另一套引擎。

如何卸载？

先从 Codex 与 WorkBuddy 配置中删除 yushu-document-parser MCP 条目，再删除安装器创建的应用目录、产物目录和两个客户端中的 document-parser Skill 目录。配置备份文件由安装器保留，便于恢复。

开发与测试

需要 Python 3.10–3.14 和 uv：

uv sync --no-install-project
$env:PYTHONPATH = "src"
uv run --no-sync python -m unittest discover -s tests -v

测试覆盖 MinerU SDK 适配、随仓库 wheel 的 SHA-256/版本/源码校验、V1 上传和任务轮询、跨域对象存储凭证隔离、ZIP 下载与路径安全校验、原生文件档位选择、中文及空格路径、重复输出目录、批处理失败隔离、客户端配置备份/迁移/合并、Skill 工具契约和云端模板。远程接口测试使用模拟 HTTP 传输；它不需要真实服务器。端到端运行 MinerU 仍需要安装 wheel 依赖并下载模型。

许可与致谢

本仓库自己的 MCP 适配代码采用 MIT License；该许可不覆盖随仓库分发的 MinerU 源码和 wheel。MinerU 4.0.7 的来源、wheel 哈希和文件范围记录在 vendor/mineru-4.0.7/PROVENANCE.md，上游许可文本随包保存在 vendor/mineru-4.0.7/LICENSE.md 及 .dist-info/licenses/。该发行版说明以 Apache License 2.0 为基础并附加商业门槛与在线服务标识条款；若你基于 MinerU 向第三方提供在线服务，应在产品界面或公开文档显著标明使用了 MinerU。使用前请阅读随附许可和 Apache License 2.0。MinerU 模型可能另有许可，需按下载来源单独核对。

感谢 OpenDataLab 及 MinerU 项目提供文档解析引擎。本仓库是对上游工具的独立适配，不代表 OpenDataLab 官方项目或其背书。