MinerU是一款开源的将PDF转换为机器可读格式的先进工具

MinerU是什么

MinerU是一款将PDF转换为机器可读格式（例如Markdown、JSON）的工具，可轻松提取为任何格式。MinerU诞生于InternLM的预训练过程中，专注于解决科学文献中的符号转换问题，希望为大模型时代的技术发展做出贡献。与知名商业产品相比，MinerU还很年轻。如果您遇到任何问题或结果不如预期，请在issue上提交问题并附上相关PDF。

MinerU截图展示

MinerU主要功能

• 删除页眉、页脚、脚注、页码等，以确保语义一致性。
• 以人类可读的顺序输出文本，适用于单列、多列和复杂布局。
• 保留原始文档的结构，包括标题、段落、列表等。
• 提取图像、图像描述、表格、表格标题和脚注。
• 自动识别文档中的公式并转换为LaTeX格式。
• 自动识别文档中的表格并转换为HTML格式。
• 自动检测扫描的PDF和乱码PDF并启用OCR功能。
• OCR支持84种语言的检测和识别。
• 支持多种输出格式，如多模式和NLP Markdown、按阅读顺序排序的JSON以及丰富的中间格式。
• 支持多种可视化结果，包括布局可视化、跨度可视化，可有效确认输出质量。
• 支持CPU和GPU环境。
• 兼容Windows、Linux和Mac平台。

MinerU官网

https://github.com/opendatalab/MinerU