MinerU 可减少 PDF 转写整理成本

视频主推开源工具 MinerU。转写称其可将混合图片、表格、公式的 PDF 转为便于分析的 Markdown，并可从含广告等干扰信息的网页中解析、抽取正文；OCR 还显示其基于 PDF-Extract-Kit，列出 Magic-PDF 与 Magic-Doc 两项能力。对需要整理论文、报告或建设检索/训练语料的人而言，价值在于把原本依赖截图复制、人工清洗的流程前置自动化，并尽量保留公式等结构化内容。可借鉴之处是将 PDF 解析、网页正文提取和公式识别作为语料准备链路中的独立环节评估，而不是只比较纯文本 OCR。边界在于视频的“精准”“效果远超其他开源工具”等结论没有给出样本、指标或对比方法；转写和 OCR 也存在错字、缺字，不能据此确认具体模型、版本、许可范围或实际支持格式。人工审核时应以项目原始文档验证部署要求、输出质量、复杂表格和公式表现及网页抽取合规性。