MinerU

‌**[MinerU]**‌是一款开源的PDF、Word、PPT数据提取工具，能够将复杂多模态的文档转化为结构化数据格式，如Markdown和JSON。其主要功能包括OCR文字识别、语义一致性处理、人类可读性优化、公式转换、多语言支持、内容提取和跨平台兼容性等‌。

主要功能

1. ‌OCR功能‌：能够检测扫描版PDF并启用OCR功能进行文字识别，支持84种语言的检测与识别‌。
2. ‌语义一致性‌：移除页眉、页脚、脚注等元素，保持核心内容连贯‌。
3. ‌人类可读性‌：支持单列和多列排列，优化阅读格式‌。
4. ‌公式转换‌：识别文档中的公式并将其转换为LaTeX格式‌。
5. ‌多语言支持‌：提供语言检测和识别功能‌。
6. ‌内容提取‌：支持提取文档中的图像和表格，并将其转换为Markdown格式‌。
7. ‌结构保留‌：保留文档原有的标题和段落结构‌。
8. ‌跨平台兼容性‌：支持Windows、Linux和Mac等主流操作系统平台‌。

应用场景

MinerU在多个场景中都有广泛应用：

• ‌学术研究‌：批量处理学术论文PDF和讲稿PPT，建立学术文献知识库，支持智能检索和分析。
• ‌企业文档处理‌：处理商业合同、报告等，提取会议记录、培训材料等内容，实现智能归档和知识管理‌。
• ‌教育培训‌：将教材、讲义等教学资源数字化，支持在线学习系统建设‌。
• ‌AI训练‌：批量处理文档生成高质量训练语料，提取专业领域文档构建垂直领域知识库‌。
• ‌档案管理‌：政府公文、历史档案、图书馆馆藏资料的智能数字化和结构化存储‌。
• ‌医疗健康‌：处理病历、检验报告等医疗文档，提取医学文献用于研究分析，建立医疗知识库支持临床决策‌。
• ‌法律文书‌：提取法律文件关键信息，构建法律知识库支持案例检索‌。

技术特点

MinerU支持纯CPU环境运行，并支持GPU（CUDA）/NPU（CANN）/MPS加速。