一款一站式、开源、高质量的数据提取工具(支持PDF/网页/多格式电子书提取)

项目介绍

MinerU 是一款一站式、开源、高质量的数据提取工具，支持PDF/网页/多格式电子书提取。包含Magic-PDF和Magic-Doc两个核心功能。

Magic-PDF

Magic-PDF 是一款将 PDF 转化为 markdown 格式的工具。支持转换本地文档或者位于支持S3协议对象存储上的文件。

• 功能定位：PDF文档转换为Markdown格式。
• 支持输入：多种前端模型输入。
• 内容处理：移除头部、尾部、脚注和页码，保留原文档结构和格式。
• 特殊元素：提取和显示图像和表格，将方程转换为LaTeX格式。
• 自动检测：自动检测和转换乱码PDF。
• 兼容性：支持CPU和GPU环境，适用于Windows、Linux、macOS平台。

Magic-Doc

Magic-Doc 是一款支持将网页或多格式电子书转换为 markdown 格式的工具。

• 功能定位：将网页或多格式电子书转换为Markdown格式。
• 跨模态解析：精确解析文本、图像、表格和公式信息。
• 文档格式支持：支持epub、mobi等多种文档格式。
• 语言识别：准确识别176种语言。

开源地址

https://github.com/opendatalab/MinerU