MinerU-HTML 是搜索知识领域的开源项目，由 opendatalab 开发，2025 年首次发布。
它收录于搜索知识分类，该分类目前共有 585 个项目，GitHub 星标数为 292。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-23。Apache-2.0许可证，可免费使用和部署。
它主要面向的使用场景是：深度研究代理的数据采集预处理。同类可对比的替代方案包括 trafilatura、readability-lxml、boilerpy3。
GitHub 星标
★ 292
维护状态
低维护
是否开源
是
定价模式
free
项目数据
分类搜索知识
开发团队opendatalab
所属国家
定价模式free
价格说明开源项目，Apache-2.0许可证，可免费使用和部署。
访问状态
是否开源是
开源协议Apache-2.0
主要语言Python
技术栈/模型article-extractor,corpus-tools,nlp,rag,scraping,text-extraction,trafilatura,web-scraping,webagent
GitHub 星标★ 292
30天Star增速
HF 下载量
上线时间2025-11-26 00:00:00
最近更新2026-09-23 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数1
使用教程
核心亮点
- 基于SLM智能识别内容，比传统规则过滤更适应复杂页面
- 输出标准HTML，直接对接RAG和训练数据流程
- 轻量级设计，适合嵌入现有爬虫或数据处理管道
不足之处
- 文档/社区待观察
- 早期项目，API可能不稳定，需关注版本迭代
适用场景
- 深度研究代理的数据采集预处理
- RAG系统的文档清洗与索引构建
- 大规模训练数据集的网页正文提取
替代项目
trafilatura、readability-lxml、boilerpy3
项目介绍
同类项目推荐
firecrawl
开源
网页抓取像喝水一样简单，开发者省下整周加班
The web data API to search, scrape, and interact at scale.
contoso-chat
开源
一键跑通 Azure RAG 应用，从代码到评估部署全流程
This sample has the full End2End process of creating RAG application with Prompty an···
graphify
开源
整个代码库画成一张图，找问题一眼定位
Turn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable k···
ragflow
开源
让大模型用上你的私有知识，搭建可靠的企业级RAG应用
RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fu···