mineru
/mineru
Wyciąga z trudnych PDF-ów, artykułów i skanów uporządkowany Markdown oraz JSON, z tabelami, wzorami LaTeX i wielokolumnowym układem.
- Autor
- taianh20102011 ↗
- Repozytorium
- skill-for-ai ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 13.11.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 1
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 13.11.2026, bez odwołań do wycofanych modeli i API.
MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.
Co robi i kiedy
Wyciąga z trudnych PDF-ów, artykułów i skanów uporządkowany Markdown oraz JSON, z tabelami, wzorami LaTeX i wielokolumnowym układem.
Oryginalny opis (EN)
High-accuracy document parsing, formula extraction, and table OCR engine from opendatalab/MinerU. Use when extracting complex PDFs, research papers, academic textbooks, scanned documents, financial reports, mathematical formulas (LaTeX), or multi-column layouts into clean, structured Markdown and JSON for LLM RAG pipelines and knowledge ingestion.
Jak działa
- 1. Installation & CLI Usage
- 2. Key Capabilities
- 3. Python Integration for Agent Pipelines
Podgląd SKILL.md
---
name: mineru
description: High-accuracy document parsing, formula extraction, and table OCR engine from opendatalab/MinerU. Use when extracting complex PDFs, research papers, academic textbooks, scanned documents, financial reports, mathematical formulas (LaTeX), or multi-column layouts into clean, structured Markdown and JSON for LLM RAG pipelines and knowledge ingestion.
---
# MinerU (Advanced Document & PDF Parsing Engine)
MinerU (`opendatalab/MinerU` / `magic-pdf`) parses raw, messy, or scanned PDFs and documents into clean, structured Markdown while preserving mathematical formulas (LaTeX), tables, multi-column reading orders, and image assets.
## 1. Installation & CLI Usage
Install MinerU via Python / uv:
```bash
# Install with full OCR & layout models
uv pip install -U "magic-pdf[full]"
# Or minimal layout parser
uv pip install mineru
```
### CLI Command Execution:
```bash
# Convert a single PDF into Markdown + extracted images
magic-pdf -p document.pdf -o ./output_dir -m auto
# Parse with dedicated OCR mode (for scanned documents)
magic-pdf -p scanned.pdf -o ./output_dir -m ocr
# Parse with high-speed text extraction (for digital vector PDFs)
magic-pdf -p paper.pdf -o ./output_dir -m txt
```
---
## 2. Key Capabilities
| Capability | What It Does |
| :--- | :--- |
| **Formula Extraction** | Detects inline ($...$) and block ($$...$$) mathematical formulas and outputs standardized LaTeX KaTeX syntax. |
| **Table Recognition** | Reconstructs complex merged cells and nested rows into clean HTML or Markdown tables. |
| **Reading Order Reconstruction**| Eliminates multi-column fragmentation (left-to-right academic paper reading flow). |
| **Artifact Removal** | Strips out headers, footers, page numbers, and watermarks that pollute LLM context windows. |
---
## 3. Python Integration for Agent Pipelines
```python
from magic_pdf.data.data_reader_writer import FileBasedDataReader, FileBasedDataWriter
from magic_pdf.pipe.UNIPipe import UNIPipe
def parse_pdf_for_agent(pdf_path: str, output_dir: str) -> str:
reader = FileBasedDataReader("")
pdf_bytes = reader.read(pdf_path)
# Initialize pipeline
pipe = UNIPipe(pdf_bytes, {"_pdf_type": "auto"}, output_dir)
pipe.pipe_classify()
pipe.pipe_analyze()
pipe.pipe_parse()
# Generate clean Markdown output
md_content = pipe.pipe_mk_markdown(output_dir, drop_mode="none")
return md_content
```
Wersje
| Repozytorium | Wynik | Licencja |
|---|---|---|
| Ta strona · taianh20102011/skill-for-ai | 95 | MIT |
| TerminalSkills/skills | 100 | Apache-2.0 |
| znlgis/opengis-skills | 100 | MIT |
| nebutra/mineru-skill | 100 | MIT |
| opendatalab/mineru | 95 | Apache-2.0 |
| nebutra/mineru-skill | 90 | MIT |
Migawka bazy z 13.11.2026 · wersja paczki b2a2492b7622 (skrót SHA-256 całej paczki)
Pobrania w ostatnich 30 dniach: 0 · ranking
Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.
Podobne skille
- 100mineru-extract
Konwertuje adres URL (stronę HTML, na przykład artykuł z WeChat, lub link do PDF, Office i obrazu) na czysty Markdown i dane strukturalne przez oficjalne API MinerU. - 100mineru-pdf-to-markdown
Konwertuje PDF-y i dokumenty naukowe do Markdowna przez MinerU przed czytaniem i analizą, z zachowaniem równań, tabel i zeskanowanych stron, których zwykła ekstrakcja tekstu nie oddaje. - 100mistral-pdf-to-markdown
Konwertuje pliki PDF na Markdown z wyodrębnionymi obrazami za pomocą Mistral OCR, zwłaszcza dla skanów i dokumentów ze złożonym układem. - 95doc-to-markdown
Zamienia dokumenty Word .doc i .docx na czysty Markdown przy użyciu MinerU, do czytania lub edycji. - 95do.pdf-to-markdown
Zamienia PDF na wierny Markdown z kontrolą pokrycia stron i sekcji, zwłaszcza w artykułach z wzorami, tabelami i kolumnami. - 100academic-pdf-to-mkd
Wyodrębnia artykuły naukowe z PDF do ustrukturyzowanego Markdown z tekstem, rysunkami, tabelami i miniaturami stron, automatycznie dobierając silnik ekstrakcji i OCR.