无论是学术文献、行业报告、会议 PPT、课本还是说明书，这些文档往往以 PDF 或网页的形式存在。

如果你想寻找一款工具，能够一键将这些文档转化为易于分析和使用的 Markdown 格式。

今天，给大家推荐一款一站式、开源、高质量的数据提取工具：MinerU。

不仅能精准地将包含图片、表格、公式等多元素的复杂 PDF 文档转换为清晰、易于分析的 Markdown 格式，还能快速地从包含广告和其他干扰信息的网页中解析并提取核心内容。

GitHub：https://github.com/opendatalab/MinerU

接下来，让我们深入了解一下它的功能。

MinerU 主要由 Magic-PDF 和 Magic-Doc 2 个部分组成，分别用于 PDF 文档提取、网页与电子书提取。

Magic-PDF

Magic-PDF 是一款将 PDF 转化为 markdown 格式的工具。支持转换本地文档或者位于支持S3协议对象存储上的文件。

主要功能：

• 支持多种前端模型输入
• 删除页眉、页脚、脚注、页码等元素
• 符合人类阅读顺序的排版格式
• 保留原文档的结构和格式，包括标题、段落、列表等
• 提取图像和表格并在markdown中展示
• 将公式转换成latex
• 乱码PDF自动识别并转换
• 支持cpu和gpu环境
• 支持windows/linux/mac平台

架构图：

流程图：

Magic-Doc

Magic-Doc 是一款支持将网页或多格式电子书转换为 markdown 格式的工具。

主要功能：

• Web网页提取：跨模态精准解析图文、表格、公式信息
• 电子书文献提取：支持 epub，mobi等多格式文献，文本图片全适配
• 语言类型鉴定：支持176种语言的准确识别

太厉害了，再看视频介绍：

，时长00:06

GitHub：https://github.com/opendatalab/magic-doc

支持多格式文献：

支持 176 种语言准确识别：

使用场景

• 学术研究：将学术文献、文章或书籍快速转换为 Markdown 格式，便于后续的编辑和分析。
• 数据整理：高效提取和组织来自PDF文档和网页的内容，用于数据分析、报告生成等。
• 知识管理：个人知识管理工具，方便将各类文档和网页内容整理成统一的格式，便于管理和查阅。
• 企业应用：企业内部文档或报告的处理和整理，提高文档处理的效率和规范性。

最后

以上，便是关于 MinerU 工具的详细介绍。

综上所述，MinerU 提供了强大的 PDF 和网页数据提取功能，能够显著提升文档处理效率，适用于多种数据提取和知识管理场景。

有这类需求的同学，值得尝试使用看看。

文中所提到的所有开源项目与工具，已收录至 GitHubDaily 的开源项目列表中。

该列表包含了 GitHub 上诸多高质量、有趣实用的开源技术教程、开发者工具、编程网站等内容。

从 2015 年至今，累计分享 3500+ 个开源项目，Star 增长 24000+，有需要的，可访问下方 GitHub 地址自取：

GitHub：https://github.com/GitHubDaily/GitHubDaily

好了，今天的分享到此结束，感谢大家抽空阅读，我们下期再见，Respect！