一站式开源高质量数据提取工具,支持PDF、网页、多格式电子书提取,自动识别并转换LaTeX格式、HTML格式,自动OCR,支持多语言。
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。MinerU能保留原PDF文档结构,提取文字、图片、图片描述、表格等内容,自动识别并转换LaTeX格式、HTML格式,自动OCR,支持多语言。