opendatalab/MinerU

•crawl4ai： github.com/unclecode/crawl4a… •Firecrawl： github.com/mendableai/firecr… •opendataloader-pdf： github.com/opendataloader/op… •MinerU： github.com/opendatalab/Miner… •markitdown： github.com/microsoft/markitd… •fredapi： github.com/mortada/fredapi •pmxtjs： github.com/pmxt-dev/pmxtjs

Returned by a high-confidence repo query and contains a visible project phrase, but the exact URL, slug, or package name was not visible.

2/3 opendatalab/MinerU-Diffusion replaces autoregressive decoding with block-level parallel diffusion decoding for document OCR.

Contains the exact GitHub repo slug.

LLM RAG使用の場合でも、最新情報（2026年3月現在）ではMinerUが最適です。 なぜMinerUがRAGに強いか 公式で「LLM-ready markdown/JSON for Agentic workflows」と明記されていて、RAGパイプライン向けに設計されています。2025-2026年のアップデート（v2.7.6まで）でhybrid backendが追加され、hallucination（幻覚）を大幅に減らし、読み順・構造（見出し・テーブル・数式LaTeX）を高精度で保持。日本語/CJK特化の109言語OCR（--ocr-lang ja指定）が変わらず優秀で、学術論文・業務資料・スキャンPDFの複雑レイアウトでもチャンク化・埋め込みに最適。ベンチマーク（OmniDocBenchなど）でもRAG精度で上位を維持。 RAG特有の使い方（おすすめ） - Markdownだけでなく**JSON出力**を併用（読み順ソート済み + メタデータ付き）。これでセマンティックチャンクやヘッダーベース分割が簡単になり、RAG精度がさらに上がる。 - Dockerコマンド例（RAG向け）: docker run -it --rm -v $(pwd):/app opendatalab/mineru mineru -i input.pdf -o output --ocr-lang ja --output-format markdown,json - 出力後、LlamaIndex/LangChainなどに直接ロードしてベクトルDBへ。テーブルはHTML保持、数式はLaTeXでLLMが正しく理解。 他ツールとの最新比較（RAG視点・日本語PDF） - Marker：次点。高速でRAG向けMD出力良いが、日本語縦書き・特殊レイアウトでMinerUにやや劣る（Surya OCR多言語OK）。 - Docling（IBM）：RAG統合（LangChainなど）が抜群に強く、テーブル精度高い。日本語も対応するが、CJK最適化はMinerUに負ける。 - LlamaParse（LlamaIndex）：クラウドだがRAG専用設計でテーブル/構造保持がベンチマーク最強クラス。多言語対応あり。無料枠超えると有料になるので、大量処理や最高精度狙いなら検討価値大。ローカル重視なら非推奨。 - その他（OpenDataLoader新顔など）：一般ベンチマークで強いが、日本語特化ではMinerU優勢。 小規模RAGならClaude/Gemini直接PDFアップロードもアリですが、精度・プライバシー・大量処理ならMinerU一択継続です。GitHub最新確認済み（ github.com/opendatalab/Miner… ）でまだ活発更新中。 具体的なPDFやRAGフレームワーク（LlamaIndex？LangChain？）教えてくれれば、さらに細かくチューニングアドバイスしますよ！

Contains the exact GitHub repo slug.

日本語PDFをMarkdown（md）に変換するのに最適なものはMinerU（オープンソース）です。 なぜMinerUが最適か（2026年現在） 日本語（CJK）特化の強さ：OCRで109言語対応（ja指定可能）、テキストPDFはネイティブ多言語認識。日本語の縦書き・特殊レイアウト・フォント崩れにも強く、テーブル・数式・画像配置を高精度で保持（Markdown + LaTeX/HTML併用可）。 複雑PDFに最強：学術論文・書籍・業務資料（スキャンPDF含む）でレイアウト崩れが少なく、RAG/LLM用途で最高クラス。ベンチマークでもMarkerを上回る報告多数。 無料・ローカル完結：インストール不要のDocker版やデスクトップクライアントあり。プライバシー安心。 他ツールとの比較（日本語PDF視点） Marker（次点）：高速・高品質で多言語OKだが、日本語特化ではMinerUにやや劣る。シンプルPDFなら十分。 MarkItDown（Microsoft）：超簡単（pip installでCLI1行）だが、複雑レイアウトやスキャンPDFで精度低め。日本語OCRは弱い。 Docling（IBM）：構造認識良いが、CJK最適化はMinerUに負ける。 Pandoc / オンラインツール：テキストPDF限定でOCR弱く、非推奨。 MinerUの使い方（おすすめ） 1. Dockerで最速インストール（推奨）： docker pull opendatalab/mineru docker run -it --rm -v $(pwd):/app opendatalab/mineru mineru -i input.pdf -o output.md --ocr-lang ja （--ocr-lang jaで日本語OCR指定） 2. GitHubから： github.com/opendatalab/Miner… pip install or デスクトップアプリ版あり（Windows/Mac対応）。 3. オンライン試し（ mineru.net/ またはデモ）でまずテストOK。 小さいPDFならClaude/GeminiなどのLLMに直接アップロード（PDF→MDプロンプト）もアリですが、大量・高精度ならMinerU一択。 これでほぼ完璧なMarkdownが出ます。具体的なPDFがあればさらにアドバイスしますよ。

Contains the exact GitHub repo slug.