MinerU: extracción de documentos PDF y conversión a formato Markdown multimodal, compatibilidad con escaneado OCR de libros electrónicos

Introducción general

MinerU是由上海人工智能实验室OpenDataLab团队开发的一款开源数据提取工具，专注于从复杂的PDF文档、网页和电子书中高效提取内容。它能够将包含图片、公式、表格等元素的多模态PDF文档转化为易于分析的Markdown格式，极大地提高了AI语料准备效率。MinerU包括两个主要组件：Magic-PDF和Magic-Doc，分别用于处理PDF文档和网页、电子书。该工具支持跨平台操作，兼容Windows、Linux和macOS系统。

MinerU 在线体验modelscopehuggingface

Lista de funciones

• 自动去除PDF中的页眉、页脚、脚注和页码
• 保留原始文档的标题、段落、列表等结构和格式
• 将文档中的图像和表格转换为Markdown格式
• 将PDF中的数学公式转换为LaTeX格式
• 兼容Windows、Linux和macOS操作系统
• 支持从网页和电子书中提取内容

Utilizar la ayuda

Proceso de instalación

1. Preparación medioambiental::
   • 确保系统上安装了Python 3.9或更高版本。
   • 推荐使用虚拟环境（如venv或conda）以避免依赖冲突。
2. Instalación de dependencias::
   • 使用conda创建虚拟环境：

     conda create -n MinerU python=3.10
     conda activate MinerU
     

   • 或者使用venv：

     python -m venv MinerU
     source MinerU/bin/activate  # 在Linux或macOS上
     MinerU\Scripts\activate  # 在Windows上
     

3. 安装Magic-PDF::
   • 安装依赖项，特别是detectron2，这是一个编译安装的全功能包。使用以下命令安装预编译的detectron2包（仅限于Python 3.10）：

     pip install detectron2 --extra-index-url https://wheels.myhloli.com
     

   • 安装Magic-PDF的全功能包：

     pip install magic-pdf[full]==0.6.2b1
     

4. 下载模型权重文件::
   • 根据项目文档中的指示下载模型权重文件，并将其移动到具有足够磁盘空间的目录中，最好是SSD。
5. 配置Magic-PDF::
   • 从仓库的根目录复制magic-pdf.template.json配置文件到你的工作目录，并重命名为magic-pdf.json：

     cp magic-pdf.template.json ~/magic-pdf.json
     

   • 在magic-pdf.json文件中配置"models-dir"指向模型权重文件所在的目录：

     {
       "models-dir": "/tmp/models"
     }
     

6. 加速配置（如果需要）::
   • 如果有可用的Nvidia GPU或使用搭载Apple Silicon的Mac，可以使用CUDA或MPS进行加速。对于CUDA，安装与你的CUDA版本相对应的PyTorch版本：

     pip install --force-reinstall torch==2.3.1 torchvision==0.18.1 --index-url https://download.pytorch.org/whl/cu118
     

   • 修改magic-pdf.json配置文件中的"device-mode"值以启用加速。

使用Magic-PDF

通过命令行使用Magic-PDF：

magic-pdf pdf-command --pdf "pdf_path" --inside_model true

这将处理指定的PDF文件，并将生成的Markdown文件保存在/tmp/magic-pdf目录下。

使用Magic-Doc

Magic-Doc的安装和配置过程与Magic-PDF类似，但具体的命令和配置细节可能有所不同。参考项目的文档来获取更多信息。