opendatalab/MinerU

本页介绍外部开源仓库，并非 HDATF 产品。

它做什么

将PDF、Office文件、扫描文档图片等转换为可用于LLM和agent工作流的Markdown或JSON。4.0版本把解析、本地文档库和服务工具整合为一个流程，并按从快速预览到复杂版面分设多个解析档位。

Company Brain和LabChin都需要把公司文件和研究资料转换为可用的文本。MinerU解析表格和公式、并为引用出处保留稳定的页面和区块定位的做法，可以作为参考。

自定义许可 自定义或非标准许可。复用前请阅读许可证文件。

baidu/Unlimited-OCR
一个以one-shot long-horizon parsing为目标的OCR模型，旨在把DeepSeek-OCR再向前推进一步。可在NVIDIA GPU上用Hugging Face Transformers或用vLLM推理，并支持用ms-swift训练。
run-llama/liteparse
一个在本地运行的PDF解析器，不依赖云服务或LLM功能，可提取带有空间位置和边界框的文本。它内置Tesseract OCR，可以调用外部OCR服务器，并能判断文档是否需要更重的解析。
langchain-ai/openwiki
OpenWiki是一个CLI，由agent读取代码库或个人资料，写出相互链接的Markdown wiki，并在每次变更时保持更新。它还会把关键事实追溯到带版本的原始依据。
docusealco/docuseal
这是一款开源、可自托管的工具，用于创建可在线填写和签署的PDF表单。它提供WYSIWYG字段编辑器、单个文档多位提交人、PDF签名验证，以及API和webhook。
iOfficeAI/OfficeCLI
一个单文件二进制CLI工具，让AI agent无需安装Office即可读取、编辑和自动化处理Word、Excel和PowerPoint文件。它可将.docx、.xlsx、.pptx渲染为HTML或PNG，便于agent检查并修正输出。

只收录进入 Trendshift 排行榜的仓库，榜单仅用于寻找候选项目，不转载名次。说明、许可证和星标数来自各 GitHub 仓库。解读是我们自己的判断。我们尚未测试这些项目，上榜并不证明质量。