MinerU

项目介绍

MinerU是一款将PDF转化为机器可读格式的工具（如markdown、json），可以很方便地抽取为任意格式。 MinerU诞生于书生-浦语的预训练过程中，我们将会集中精力解决科技文献中的符号转化问题，希望在大模型时代为科技发展做出贡献。相比国内外知名商用产品MinerU还很年轻，如果遇到问题或者结果不及预期请到issue提交问题，同时附上相关PDF。

主要功能

删除页眉、页脚、脚注、页码等元素，确保语义连贯

输出符合人类阅读顺序的文本，适用于单栏、多栏及复杂排版

保留原文档的结构，包括标题、段落、列表等

提取图像、图片描述、表格、表格标题及脚注

自动识别并转换文档中的公式为LaTeX格式

自动识别并转换文档中的表格为LaTeX或HTML格式

自动检测扫描版PDF和乱码PDF，并启用OCR功能

OCR支持84种语言的检测与识别

支持多种输出格式，如多模态与NLP的Markdown、按阅读顺序排序的JSON、含有丰富信息的中间格式等

支持多种可视化结果，包括layout可视化、span可视化等，便于高效确认输出效果与质检

支持CPU和GPU环境