MinerU

MinerU 是一款将 PDF 转换为机器可读格式（如 Markdown、JSON）的工具，支持将内容轻松提取为任意格式。MinerU 诞生于 InternLM 的预训练过程中，我们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贡献力量。与知名商业产品相比，MinerU 仍处于成长阶段。

• 移除页眉、页脚、脚注、页码等，确保语义连贯。
• 按人类阅读顺序输出文本，适用于单栏、多栏及复杂版面。
• 保留原文档结构，包括标题、段落、列表等。
• 提取图片、图片说明、表格、表格标题及脚注。
• 自动识别文档中的公式并转换为 LaTeX 格式。
• 自动识别表格并转换为 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，如多模态和 NLP Markdown、按阅读顺序排序的 JSON，以及丰富的中间格式。
• 支持布局可视化、文本块可视化等多种可视化结果，高效确认输出质量。
• 支持纯 CPU 环境运行，也支持 GPU（CUDA）/NPU（CANN）/MPS 加速。
• 兼容 Windows、Linux 和 Mac 平台。