微信扫码
添加专属顾问
我要投稿
MinerU 是一款一站式、开源、高质量的数据提取工具,主要包含以下功能:
Magic-PDF PDF文档提取
Magic-Doc 网页与电子书提取
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。
Magic-PDF框架示意图
主要功能包含
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
而根据官方链接介绍的PDF-Extract-Kit包括以下几个模块:
布局检测:使用LayoutLMv3模型进行区域检测,如图像
,表格
,标题
,文本
等,由于文档类型的多样性,现有开源的布局检测和公式检测很难处理多样性的PDF文档,为此作者团队采集多样性数据进行标注和训练,使得在各类文档上取得精准的检测效果;
公式检测:使用YOLOv8进行公式检测,包含行内公式
和行间公式
;
公式识别:使用UniMERNet进行公式识别,这个方法是上海AI lab前段时间开源的公式识别模型,作者自己说法是可以媲美商业软件,在各种类型公式识别上均匀很高的质量,实际体验效果确实不错,;
光学字符识别:使用PaddleOCR进行文本识别;
PDF-Extract-Kit流程图
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。
主要功能包含
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
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
2025-04-05
Free QWQ - 世界首个免费无限制分布式 QwQ API
2025-04-05
体验 DeepSite:AI 辅助开发神器,实力与局限并存
2025-04-05
私有知识库+本地300种模型一键部署,私密性拉满!这个国产开源工具太绝了
2025-04-05
Dify+RAGFlow:1+1>2的混合架构,详细教程+实施案例
2025-04-04
2025:Agent智能体时代来临 - 认识自主思考的 OpenHands
2025-04-04
AI 时代如何更高效开发前端组件?21st.dev 给了一种答案
2025-04-04
使用 Meta 系列模型构建
2025-04-04
OpenAI推出免费学习社区,让你悄悄变强
2025-01-01
2024-07-25
2025-01-21
2024-05-06
2024-09-20
2024-07-20
2024-06-12
2024-07-11
2024-08-13
2024-12-26
2025-04-03
2025-04-03
2025-04-03
2025-04-01
2025-03-31
2025-03-25
2025-03-25
2025-03-24