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。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 -
支持纯CPU环境运行，并支持 GPU(CUDA)/NPU(CANN)/MPS 加速 -
兼容Windows、Linux和Mac平台
参考文献：
[1] http://github.com/opendatalab/MinerU/
[2] https://mineru.net/
知识星球服务内容：Dify源码剖析及答疑，Dify对话系统源码，NLP电子书籍报告下载，公众号所有付费资料。加微信buxingtianxia21进NLP工程化资料群。
（文：NLP工程化）