opendatalab/MinerU

외부 오픈소스 저장소를 소개하는 글입니다. HDATF 제품이 아닙니다.

무엇을 하나

PDF, Office 파일, 스캔한 문서 이미지 등을 LLM과 agent workflow에서 쓸 수 있는 Markdown이나 JSON으로 바꿉니다. 4.0 버전은 파싱, 로컬 문서 라이브러리, 서비스 도구를 한 흐름으로 묶었고, 빠른 미리보기부터 까다로운 레이아웃까지 파싱 수준을 여러 단계로 나눠 제공합니다.

ATF에 주는 도움

Company Brain과 LabChin은 회사 파일과 연구 자료를 쓸 수 있는 텍스트로 바꿔야 합니다. MinerU가 표와 수식을 파싱하고, 출처 인용을 위해 페이지와 블록 위치를 안정적으로 남기는 방식을 참고할 수 있습니다.

라이선스

자체 라이선스 표준이 아닌 자체 라이선스입니다. 재사용 전에 라이선스 파일을 직접 읽어야 합니다.

같은 분야 저장소

• baidu/Unlimited-OCR
  one-shot long-horizon parsing을 목표로 한 OCR 모델로, DeepSeek-OCR을 한 단계 더 발전시키려 합니다. NVIDIA GPU에서 Hugging Face Transformers로, 또는 vLLM으로 추론하고 ms-swift로 학습할 수 있습니다.
• run-llama/liteparse
  클라우드 서비스나 LLM 기능 없이 로컬에서 PDF 텍스트를 위치 정보, bounding box와 함께 추출하는 파서입니다. Tesseract OCR을 포함하고, 외부 OCR 서버를 연결할 수 있으며, 문서에 더 무거운 파싱이 필요한지 확인합니다.
• langchain-ai/openwiki
  OpenWiki는 agent가 코드베이스나 개인 자료를 읽고 서로 링크된 Markdown wiki를 써서, 변경이 있을 때마다 최신으로 유지하는 CLI입니다. 핵심 사실을 버전이 붙은 원본 근거와 연결해 추적합니다.
• docusealco/docuseal
  온라인에서 작성하고 서명하는 PDF 양식을 만드는 오픈소스 self-hosted 도구입니다. WYSIWYG 필드 편집기, 문서 하나에 여러 제출자 지정, PDF 서명 검증, API와 webhook을 지원합니다.
• iOfficeAI/OfficeCLI
  AI agent가 Office를 설치하지 않고도 Word, Excel, PowerPoint 파일을 읽고, 고치고, 자동화할 수 있게 하는 단일 실행 파일 CLI 도구입니다. .docx, .xlsx, .pptx를 HTML이나 PNG로 렌더링해 agent가 결과를 보고 고칠 수 있게 합니다.

Trendshift 순위 목록에 오른 저장소만 담았고, 목록은 후보를 찾는 데만 썼습니다. 순위 숫자는 옮기지 않았습니다. 설명과 라이선스, 별 수는 각 GitHub 저장소에서 확인했습니다. 해설은 우리의 판단입니다. 이 프로젝트들을 직접 시험한 것은 아니며, 상승 목록에 올랐다고 품질이 증명되지는 않습니다.