使用场景

科研人员使用MinerU将学术论文PDF转换为Markdown，方便引用和进一步分析。

数据分析师利用MinerU提取财务报告中的表格数据，进行数据整理和分析。

文档编辑使用MinerU将书籍扫描件转换为结构化的JSON数据，便于电子书制作。

产品特色

去除PDF中的页眉、页脚、脚注、页码等，确保语义连贯性。

输出文本顺序适合人类阅读，适用于单栏、多栏和复杂布局。

保持原始文档结构，包括标题、段落、列表等。

提取图像、图像描述、表格、表格标题和脚注。

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PDF和乱码PDF并启用OCR功能。

OCR支持84种语言的检测和识别。

支持多种输出格式，如多模态和NLP Markdown、按阅读顺序排序的JSON等。

支持CPU和GPU环境。

兼容Windows、Linux和Mac平台。

使用教程

1. 安装MinerU：根据官方文档指导，创建Python虚拟环境并安装MinerU。

2. 下载模型权重文件：根据文档中的说明下载必要的模型文件。

3. 修改配置文件：根据需要调整配置文件中的参数，如启用或禁用表格识别功能。

4. 运行MinerU：使用命令行工具或API处理本地PDF文件。

5. 查看输出结果：MinerU会将处理后的文件保存在指定的输出目录中，包括Markdown文件、图像文件夹等。

6. 进一步处理：根据需要对输出的Markdown或JSON文件进行进一步的编辑或分析。