MinerU

‌MinerU‌是一款开源的智能文档解析工具，专注于将PDF等文档高效转换为Markdown和JSON等结构化格式。它特别适用于处理包含文本、图片、表格和公式等多模态内容的复杂布局PDF文件，尤其适合多语言文档和批量处理需求‌。

功能特点

1. ‌语义一致性‌：支持移除页眉、页脚、脚注、页码等内容，确保语义连贯‌。
2. ‌人类可读性‌：输出文本按照人类阅读顺序排列，支持单列、多列及复杂布局‌。
3. ‌结构保留‌：保留原始文档的结构，包括标题、段落、列表等‌。
4. ‌多样化内容提取‌：支持提取图像、图像描述、表格、表格标题及脚注‌。
5. ‌公式转换‌：自动识别并转换文档中的公式为LaTeX格式‌。
6. ‌表格转换‌：自动识别并转换文档中的表格为HTML格式‌。
7. ‌OCR功能‌：自动检测扫描版PDF和乱码PDF，并启用OCR功能，支持84种语言的检测与识别‌。
8. ‌多种输出格式‌：支持多模态与NLP的Markdown、按阅读顺序排序的JSON、含有丰富信息的中间格式等‌。
9. ‌可视化结果‌：支持布局可视化和跨度可视化，便于高效确认输出效果与质检‌。
10. ‌多种运行环境‌：支持纯CPU环境运行，并支持GPU(CUDA)/NPU(CANN)/MPS加速‌。
11. ‌跨平台兼容性‌：兼容Windows、Linux和Mac平台‌。

使用场景

• ‌学术文献‌：从复杂的学术文献中提取高质量数据，用于AI模型的训练和微调。
• ‌财务报告‌：从财务报告中提取关键数据，用于财务分析和预测。
• ‌法律文件‌：从法律文件中提取关键条款和条款，用于法律研究和合规性检查。
• ‌电子书籍‌：从电子书籍中提取文本和图像，用于内容管理和知识提取。

开发背景

MinerU由上海AI实验室开发，旨在解决AI研究者从大量文档中提取高质量数据的挑战。该工具在2024年7月4日的WAIC 2024科学前沿主论坛上开源，属于OpenDataLab团队的一部分‌。

MinerU - 大模型时代的文档提取，转换神器