我要投稿

效率革命！GitHub爆火的开源神器MinerU：PDF、网页、电子书一键转Markdown

发布日期：2025-04-24 15:56:33 浏览次数： 1753 作者：弗兰克的AI日记

“ 在AI大模型狂飙的2025年，一份PDF文档可能藏着科研突破的关键数据，也可能承载着企业决策的核心信息。但面对格式混乱的PDF、图文交错的网页，你是否还在手动复制粘贴？

GitHub上爆火的国产开源项目MinerU，正在用一行代码解决这个世纪难题。”

这个工具到底能做什么？

MinerU是上海人工智能实验室的出品，它就像一位“文档翻译官”，能将PDF、网页、电子书等复杂格式一键转换为工整的Markdown或JSON。

有了它，科研党需要将200页论文中的公式批量转成LaTeX格式，原本需要3天的手动操作，MinerU只需3分钟；金融分析师处理财报时，表格自动转HTML代码，数据直接导入Excel分析；程序员抓取技术文档时，智能过滤广告和页脚，保留核心代码块。

它具备的核心能力是：

精准解析：智能识别文档结构（标题/段落/列表），跨模态提取图片、表格、公式，连扫描件乱码都能自动OCR修复
格式还原：删除页眉页脚等干扰元素，按人类阅读顺序排版，多栏文档也能正确排序
全场景适配：支持Windows/Mac/Linux系统，CPU/GPU/NPU多硬件加速，84种语言文档通

目前支持各种终端：

同时也支持API的方式接入，另外就和之前所说，这个项目是开源的，大家可以在这个基础上进行维护和添加。目前已经GitHub上累计了3万颗星。

在大模型的时代，MinerU的功能可能会更加珍贵，因为很多数据源都包含了很多格式和广告，用这个工具做一次数据清洗再放入大模型知识库会取得更好的效果。

使用方式

由于支持PC的客户端，MinerU的部署方式非常简单，直接去官网（https://mineru.net/）下载对应的版本就可以进行使用了！

下载之后，我来做个测试：

首先，我放入这篇文章

https://www.sohu.com/a/887209656_123753?scm=10001.1586_13-100000-0_922.0-0.0.a2_5X162X1906&spm=smpc.channel_258.Block_1741338093162_272_fVRWaA_1_focus.1.1745252053248eS4mYdq_1090

可以看到这文章页面很乱，各种广告和侧边栏，正常的提取方式很难提取准确，费时费力。

然后我把这个县把这个页面保存为pdf，然后放入本地的MinerU客户端：

可以看到他会把一些广告主动提取出来，然后你可以直接删除，这样比直接复制方便的多了，又避免了格式问题。

另外我还做了一个以太坊2024年年度报告的pdf的切分，可以看到图和文字的切分效果还是不错的。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-05-27

Dify工具插件开发和智能体开发全流程实战

2025-05-27

一个让工作效率翻倍的AI神器，Cherry Studio你值得拥有！

2025-05-27

Docext：无需 OCR，本地部署的文档提取神器，企业数据处理新选择

2025-05-26

太猛了，字节把GPT-4o级图像模型开源了！

2025-05-26

Qwen3硬核解析：从36万亿Token到“思考预算”

2025-05-26

蚂蚁集团开源antv的MCP服务：AI智能体与数据可视化的桥梁如何搭建？

2025-05-26

MinerU：高精度纸媒文档解析与数据提取一站式解决方案

2025-05-26

顶级开发者默默换掉了基础大模型

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

Ollama 本地运行大模型(LLM)完全指南

2024-07-25

我把最近爆火的 DeepSeek-V3 接到了 Cursor！

2025-01-01

万字详解DeepSeek-R1，引爆AI圈的又一力作，大模型爆发势不可挡！

2025-01-21

太强了！10大开源大模型！

2024-05-06

QWEN2.5开源上新，14B/32B回归实测：这就是最强单卡本地模型！

2024-09-20

全民进入GPT-4时代：OpenAI强势推出GPT-4o mini！彻底取代GPT-3.5！

2024-07-20

如何免费使用 Claude AI？Claude使用指南！

2024-07-11

Qwen2 阿里最强开源大模型（Qwen2-7B）本地部署、API调用和WebUI对话机器人

2024-06-12

DeepSeek-V3 正式发布

2024-12-26

开源项目Composio：突破 AI 智能体开发的边界

2024-08-13

大家都在问

蚂蚁集团开源antv的MCP服务：AI智能体与数据可视化的桥梁如何搭建？

2025-05-26

拆解OpenAI最大对手的杀手锏：为什么会是MCP？

2025-05-25

从基础大模型到场景适配，企业如何做好商业化最后一公里？

2025-05-23

AI 开源框架：Dify、Zylon、AutoGPT、Flowise、LangChain、React-Flow怎么选？

2025-05-17

刚刚，OpenAI丢出最强编程智能体Codex！倒反天罡——新上线功能竟是微软Copilotb鼻祖？

2025-05-17

刚刚，OpenAI发布自主编码代理Codex，程序员的工作将被彻底颠覆？

2025-05-17

告别谷歌！阿里开源ZeroSearch大模型搜索成本直降88%，性能竟超原版？

2025-05-16

事实证明千问qwen3小模型才是企业的生产力，他究竟能做什么呢？

2025-05-14

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB