企业官网建设流程全解析

RAG-Anything 文档解析器怎么选：MinerU、Docling 与 PaddleOCR 的适用场景与安装要求

【免费下载链接】RAG-Anything"RAG-Anything: All-in-One RAG Framework"项目地址: https://gitcode.com/GitHub_Trending/ra/RAG-Anything

RAG-Anything 在解析文档时，默认调用的是哪个解析器、需要装哪些依赖，是首次使用时最容易卡住的环节。它内置 MinerU、Docling、PaddleOCR 三个解析器，三者支持的输入格式和依赖安装方式并不相同：MinerU 随基础安装一起提供，Docling 和 PaddleOCR 需要额外安装依赖。本文按“按文件类型选解析器 → 安装对应依赖 → 配置并验证”的顺序，给出每个环节的真实命令和判断方式。

按文件格式选解析器

README 的 “Parser Configuration” 一节对三个解析器的定位描述如下：

选型时直接按输入文件类型对号即可：以扫描件、纯图片为主选 MinerU 或 PaddleOCR；以 Office 和 HTML 为主且在意结构保留时选 Docling；需要 OCR 聚焦的扫描件 PDF 并复用content_list文本块时用 PaddleOCR。注意 PaddleOCR 解析 PDF 时会把每页渲染成图像再 OCR，输出是{"type": "text", ...}文本块，这一点与 MinerU/Docling 的结构化输出不同（见 raganything/parser.py）。

安装 RAG-Anything 与解析器依赖

从 PyPI 安装基础包（requirements.txt中基础依赖已包含mineru[core]，即 MinerU 解析器开箱可用）：

pip install raganything

如需扩展格式支持，README 列出的可选 extra：

pip install 'raganything[image]' # BMP、TIFF、GIF、WebP 图像格式转换（依赖 Pillow） pip install 'raganything[text]' # TXT、MD 处理（依赖 ReportLab） pip install 'raganything[all]' # 全部可选 Python 依赖

从源码安装时用uv sync加对应 extra，例如uv sync --extra paddleocr。

各解析器的依赖安装要求：

MinerU。基础安装已含；若单独补装，源码中给出的命令是pip install -U 'mineru[core]'或uv pip install -U 'mineru[core]'。

Docling：

pip install docling

PaddleOCR。先装 extra（PyPI 方式或源码方式二选一）：

pip install 'raganything[paddleocr]' # 或源码安装 pip install -e ".[paddleocr]" # 或 uv uv sync --extra paddleocr

该 extra 在 setup.py 中定义为paddleocr>=2.7.0和pypdfium2>=4.25.0。README 同时强调：PaddleOCR 还需要paddlepaddle，CPU/GPU 包因平台而异，按 PaddlePaddle 官方安装指南（paddlepaddle.org.cn）选择对应平台的包安装。

处理 Office 文档的公共前提：MinerU 2.0 不再内置 Office 文档转换，Office 文件（.doc、.docx、.ppt、.pptx、.xls、.xlsx）依赖 LibreOffice 先转成 PDF。各平台安装方式（README 原文）：

• Windows：从 LibreOffice 官网下载安装
• macOS：brew install --cask libreoffice
• Ubuntu/Debian：sudo apt-get install libreoffice（需要 sudo 权限）
• CentOS/RHEL：sudo yum install libreoffice

配置解析器

解析器通过parser参数选择，取值"mineru"、"docling"或"paddleocr"，有三种配置入口：

配置RAGAnythingConfig或调用解析方法时传参：

await rag.process_document_complete( file_path="document.pdf", output_dir="./output/", parse_method="auto", # 解析方法："auto"、"ocr"、"txt" parser="mineru", # 可选："mineru"、"docling"、"paddleocr" )

用环境变量 env.example 中的PARSER（默认mineru）：

PARSER=mineru # 可选值：mineru、docling、paddleocr PARSE_METHOD=auto

运行示例脚本时用--parser参数（examples/raganything_example.py 中该参数默认取环境变量PARSER，未设置时为mineru）：

python examples/raganything_example.py path/to/document.pdf --api-key YOUR_API_KEY --parser mineru

其中path/to/document.pdf换成你的文档路径，YOUR_API_KEY换成你的 LLM API key。

验证解析器安装

RAG-Anything 在处理文档前会调用check_installation()做预检，三个解析器的检查口径不同（见 raganything/parser.py）：

• MinerU：探测mineruCLI 可执行
• Docling：探测docling.document_converter.DocumentConverter可导入（不再探测 CLI 是否在 PATH 上）
• PaddleOCR：探测paddleocr包可导入

验证命令（README 原文）：

# 验证 MinerU mineru --version # 检查当前配置的解析器是否装好 python -c "from raganything import RAGAnything; rag = RAGAnything(); print('✅ MinerU installed properly' if rag.check_parser_installation() else '❌ MinerU installation issue')"

若解析器未安装，check_installation()返回False，RAGAnything初始化时会记录 “Parser '...' is not properly installed. Please install it using 'pip install' or 'uv pip install'.” 并返回失败，此时回到上一步补齐对应依赖。

解析一份真实文档确认输出

安装验证通过后，用一份真实文档跑一次解析确认链路完整。示例脚本：

python examples/raganything_example.py path/to/document.pdf --api-key YOUR_API_KEY --parser mineru

MinerU 还有三个不需要 API key 的测试脚本，只测解析功能：examples/office_document_test.py（Office 文档）、examples/image_format_test.py（图像格式）、examples/text_format_test.py（文本格式），均基于 MinerU。

各解析器的产物位置（用于核对是否成功）：

• MinerU：在输出目录下生成{文件名}.md和{文件名}_content_list.json（通常在{文件名}/auto等子目录内）；首次使用时模型自动下载
• Docling：JSON 与 Markdown 写入<output_dir>/<file_stem>/docling/
• PaddleOCR：返回由{"type": "text", "text": ..., "page_idx": ...}组成的内容块列表

已知限制与常见报错

• MinerU 2.0 相关：Office 文档必须先转 PDF（依赖 LibreOffice）；不再使用magic-pdf.json配置文件，全部设置改为命令行参数或函数参数。常用命令行配置（README 原文）：

  mineru --help mineru -p input.pdf -o output_dir -m auto # 自动解析模式 mineru -p input.pdf -o output_dir -m ocr # OCR 重点解析 mineru -p input.pdf -o output_dir -b pipeline --device cuda # GPU 加速

• MinerU 卡住超时的提示：源码中超时错误信息为 “MinerU did not finish within {timeout}s. This often means a model download is stuck due to network issues.”，即大概率是首次模型下载被网络卡住，应检查网络或预先下载所需模型。

• Docling 不支持图片与文本文件：parse_document对 PDF/Office/HTML 之外的扩展名直接抛出 “Unsupported file format”，不要用 Docling 解析扫描件图片。

• PaddleOCR 缺依赖：缺paddleocr或pypdfium2时分别报 ImportError，按上文 extra 方式安装；paddlepaddle未装或平台不匹配时初始化会失败。

• 模型下载：MinerU 的模型首次使用时自动下载，需要手动下载时参考 MinerU 官方文档的 “Model Source Configuration” 一节。

【免费下载链接】RAG-Anything"RAG-Anything: All-in-One RAG Framework"项目地址: https://gitcode.com/GitHub_Trending/ra/RAG-Anything