开源、异步、可扩展——Think 系列文档解析层，Docker 部署即可上线
做 RAG、知识库、智能问答，第一步往往是把 PDF、Word、扫描件变成结构化 Markdown。
MinerU 的解析质量有目共睹，但直接在生产环境跑 MinerU，我反复碰到这几类问题：
大文件一解析就 OOM，几百页 PDF 直接卡死 同步 HTTP 请求超时，批量任务没法排队 API 和 Worker 绑在一起，扩容、升级、故障恢复都很痛苦 本地磁盘存结果，多机部署时文件对不上
ThinkParse 要补的就是这一层：在 MinerU 之上，提供稳定、可扩展、可运维的 HTTP 解析服务。
项目地址：https://github.com/wzdavid/ThinkParse
一、ThinkParse 是什么？
ThinkParse 是 Think 系列产品中的开源文档解析层，与 ThinkWiki（个人知识库）、ThinkDoc（企业知识库）、ThinkExtract（数据抽取平台）并列。
定位很清晰：可插拔后端 + 稳定 HTTP API。当前内置 MinerU 3.4 作为解析引擎，后续计划支持 Docling 等；上层业务只对接 ThinkParse，不跟具体引擎耦合。
核心架构是 API / Worker 完全解耦：
客户端 → FastAPI（轻量 API）→ Redis 队列 → Celery Worker（MinerU / MarkItDown）→ 本地或 S3 存储
- API 服务
接收文件、提交任务、查询状态 - Worker 服务
专注文档解析，可独立水平扩展 - Redis
消息队列 + 结果缓存 - 存储抽象
本地文件系统或 S3/MinIO，支持分布式部署
MIT 开源，Docker 一键部署，Python 3.10+。
二、新版本升级了什么？
ThinkParse 1.1.0（2026-06-24）是项目从 MinerU-API 正式更名为 ThinkParse 后的首个版本发布，重点在品牌统一、引擎升级和生产稳定性。
1. 归入 Think 系列，品牌统一
项目从 MinerU-API 更名为 ThinkParse，与 ThinkWiki、ThinkDoc、ThinkExtract 形成同一产品族。Docker 服务名（mineru-api、mineru-worker 等）保持不变，现有部署配置可直接沿用。
2. 解析引擎升级到 MinerU 3.4.0
解析内核从 MinerU 2.x 升级到 3.4.0，带来新一代 OCR 模型（如 PP-OCRv6）和更优的版面分析。公式识别、表格识别、多语言（中/英/日/韩等）继续开箱即用。升级后需重建 Worker 镜像（cd docker && sh build.sh），模型会在构建过程中自动下载。
3. 生产环境兼容性修复
修复 MinerU 3.4.0 在子进程场景下重载 worker/tasks.py 时触发的 MINERU_DEVICE_MODE KeyError，避免 Worker 在特定部署模式下异常退出。
三、生产级部署会用到哪些能力
以下能力随 ThinkParse 1.0.0 起即已提供，1.1.0 在 MinerU 3.4 引擎之上继续可用。
1. 大 PDF 自动分页解析
超过阈值（默认 100 页）的大 PDF，Worker 会自动分块解析再合并结果，降低内存溢出风险。阈值和分块大小可配置，也支持 API 参数显式开关：
curl -X POST "http://localhost:8000/api/v1/tasks/submit" \
-F "file=@large_document.pdf" \
-F "backend=pipeline" \
-F "lang=ch" \
-F "enable_pagination=true"
几百页的合同、年报、论文，不必再赌一把「能不能跑完」。
2. 双 API，兼容两种集成方式
同步 API（/file_parse）兼容 MinerU 官方格式，提交即等结果，适合脚本、小文件、快速验证：
curl -X POST "http://localhost:8000/file_parse" \
-F "files=@document.pdf" \
-F "backend=pipeline" \
-F "lang_list=ch" \
-F "return_md=true"
异步队列 API（/api/v1/tasks/*）提交任务拿 task_id，轮询或回调获取结果，适合生产批量、长任务、高并发：
# 提交
curl -X POST "http://localhost:8000/api/v1/tasks/submit" \
-F "file=@document.pdf" -F "lang=ch"
# 查询
curl "http://localhost:8000/api/v1/tasks/{task_id}"
两种接口并存，现有 MinerU 客户端可无缝迁移。
3. 运维与扩展
- 优先级队列
紧急任务优先调度 - 任务重试与故障恢复
Worker 挂了，任务不丢 - 队列监控
/api/v1/queue/stats实时看积压 - 自动清理服务
过期输出定期回收，磁盘不会越堆越满 - S3 兼容存储
MinIO / AWS S3，API 和 Worker 可分机部署 - CPU / GPU Worker
开发用 CPU，生产上 GPU， COMPOSE_PROFILES一行切换
4. 多格式全覆盖
一套 API，PDF 扫描件和 Office 文档都能走。
四、谁适合用 ThinkParse？
- RAG / 知识库开发者
ThinkDoc、ThinkExtract 的上游解析层，文档入库前统一走 ThinkParse - AI 应用团队
需要稳定的文档→Markdown 微服务，不想自己维护 MinerU 进程 - 数据处理 / 中台团队
批量解析合同、研报、标书，异步队列 + S3 存储正好匹配 - 个人开发者 / 研究者
Docker 四步启动，本地调试 MinerU 能力，零配置上手
五、只需四步启动，5 分钟跑通
前置： Docker + Docker Compose（GPU 环境需 NVIDIA 驱动）
# 1. 复制配置
cp .env.example .env
cd docker && cp .env.example .env
# 2. 选择 Worker 类型（docker/.env）
COMPOSE_PROFILES=redis,mineru-cpu # 开发推荐 CPU
# COMPOSE_PROFILES=redis,mineru-gpu # 生产推荐 GPU
# 3. 构建镜像
cd docker && sh build.sh
# 4. 启动
docker compose up -d
# 验证
curl http://localhost:8000/api/v1/health
浏览器打开 Swagger 交互文档，地址 http://localhost:8000/docs ，可直接试 API。
完整部署指南：https://github.com/wzdavid/ThinkParse/blob/main/docs/DEPLOYMENT.zh.md
六、和 Think 生态怎么配合？
ThinkParse 是 Think 系列的解析基础设施：
原始文档 → ThinkParse（结构化 Markdown）→ ThinkDoc（知识库）/ ThinkExtract（数据抽取）→ Agent 对话 / 检索
文档解析这一环开源、标准化之后，上层知识库产品可以专注入库、图谱、Agent 交互，而不是重复造 MinerU 部署的轮子。
