基于MinerU的PDF解析API

基于MinerU的PDF解析API

- MinerU的GPU镜像构建
- 基于FastAPI的PDF解析接口

支持一键启动,已经打包到镜像中,自带模型权重,支持GPU推理加速,GPU速度相比CPU每页解析要快几十倍不等

主要功能

  • 删除页眉、页脚、脚注、页码等元素,保持语义连贯
  • 对多栏输出符合人类阅读顺序的文本
  • 保留原文档的结构,包括标题、段落、列表等
  • 提取图像、图片标题、表格、表格标题
  • 自动识别文档中的公式并将公式转换成latex
  • 自动识别文档中的表格并将表格转换成latex
  • 乱码PDF自动检测并启用OCR
  • 支持CPU和GPU环境
  • 支持windows/linux/mac平台

具体原理

请见PDF-Extract-Kit:https://github.com/opendatalab/PDF-Extract-Kit/blob/main/README-zh_CN.md

PDF文档中包含大量知识信息,然而提取高质量的PDF内容并非易事。为此,我们将PDF内容提取工作进行拆解:

  • 布局检测:使用LayoutLMv3模型进行区域检测,如图像,表格,标题,文本等;
  • 公式检测:使用YOLOv8进行公式检测,包含行内公式和行间公式;
  • 公式识别:使用UniMERNet进行公式识别;
  • 表格识别:使用StructEqTable进行表格识别;
  • 光学字符识别:使用PaddleOCR进行文本识别;

镜像地址:

阿里云地址:docker pull registry.cn-beijing.aliyuncs.com/quincyqiang/mineru:0.2-models
dockerhub地址:docker pull quincyqiang/mineru:0.2-models

启动命令:

docker run -itd --name=mineru_server --gpus=all -p 8888:8000 quincyqiang/mineru:0.2-models

具体截图请见博客:https://blog.csdn.net/yanqianglifei/article/details/141979684

启动日志:

输入参数:

访问地址:

http://localhost:8888/docs

http://127.0.01:8888/docs

解析效果:

返回内容字段包括:dict_keys(['layout', 'info', 'content'])

其中content是一个字典列表:

json 复制代码
{
  'type': 'text', 
  'text': '现在我们知道:价值实体就是劳动;劳动量的尺度就是劳动持续时间。', 
  'page_idx': 5
}
相关推荐
知难行难18 小时前
福昕阅读器高级版解决文件上传IEEE PDF eXpress字体未嵌入
pdf·express
子非吾喵18 小时前
在Element Ui中支持从系统粘贴版中获取图片和PDF,Docx,Doc,PPT等文档
ui·pdf·powerpoint
有过~1 天前
WPS Office手机去广高级版
pdf·wps
幸福清风2 天前
PymuPDF4llm提取pdf文件文字、表格与图片
pdf
zhentiya2 天前
王珊数据库系统概论第六版PDF+第五版课后答案+课件
数据库·pdf
大大大反派3 天前
ONLYOFFICE 8.2深度测评:集成PDF编辑、数据可视化与AI功能的强大办公套件
人工智能·信息可视化·pdf
zhentiya3 天前
濮良贵《机械设计》第十版课后习题答案全解PDF电子版
pdf
理竹子3 天前
Typora导出pdf手动分页和设置字体样式
pdf·typora·markdown
七夕先生3 天前
Qt:QPdfDocument渲染PDF文件时的信息丢失问题
c++·qt·pdf
咘噜biu3 天前
PDF模板制作与填充(Java)
java·pdf·pdf模板