解决 PDF 痛点：开源 MinerU 转换脚本优化 RAG 数据集质量

针对 RAG 流程中 PDF 解析难、上下文易断裂的痛点，开发者发布了一款基于 MinerU 的开源后处理脚本。该脚本旨在解决 MinerU 输出文件中存在的 HTML 干扰信息和符号噪声问题，通过对 JSON 和 MD 文件进行二次解析、拼接与清洗，去除了对模型无用的冗余数据。这一工具将 PDF 文档转化为更适合知识库检索的高质量数据集，显著提升了 RAG 模型对复杂文档的理解效率与准确性。