RAG 最头疼的脏数据：扫描件、公式、跨页表格。
RAG 最头疼的脏数据：扫描件、公式、跨页表格。
MinerU 专门处理这个——复杂 PDF / Office 文档一键转成干净的 Markdown / JSON，直接喂给 LangChain、LlamaIndex。
VLM + OCR 双引擎，公式转 LaTeX，表格转 HTML，自动去页眉页脚，109 种语言，可纯本地离线。
OmniDocBench 95.4 分，GitHub 69.7k Star。
提到的仓库
RAG 最头疼的脏数据：扫描件、公式、跨页表格。
MinerU 专门处理这个——复杂 PDF / Office 文档一键转成干净的 Markdown / JSON，直接喂给 LangChain、LlamaIndex。
VLM + OCR 双引擎，公式转 LaTeX，表格转 HTML，自动去页眉页脚，109 种语言，可纯本地离线。
OmniDocBench 95.4 分，GitHub 69.7k Star。
提到的仓库