PDF转Markdown/JSON软件MinerU最新1.3.12版整合包下载

MinerU发布至今我已经更新多版整合包了,5天前MinerU发布了第一个正式版1.0.1,并且看到在18小时之前有更新模型文件,我就做了个最新版的一键启动整合包。


2025年02月21日更新v1.1.0版整合包

2025年02月27日更新v1.2.0版整合包

2025-06-05 更新v1.3.12版本

MinerU介绍

可能还有很多人没使用过这个软件。MinerU是一款非常热门的高质量PDF转markdown和JSON格式软件

MinerU主要特点

  • 删除页眉、页脚、脚注、页码等元素,确保语义连贯
  • 输出符合人类阅读顺序的文本,适用于单栏、多栏及复杂排版
  • 保留原文档的结构,包括标题、段落、列表等
  • 提取图像、图片描述、表格、表格标题及脚注
  • 自动识别并转换文档中的公式为LaTeX格式
  • 自动识别并转换文档中的表格为HTML格式
  • 自动检测扫描版PDF和乱码PDF,并启用OCR功能
  • OCR支持84种语言的检测与识别
  • 支持多种输出格式,如多模态与NLP的Markdown、按阅读顺序排序的JSON、含有丰富信息的中间格式等
  • 支持多种可视化结果,包括layout可视化、span可视化等,便于高效确认输出效果与质检

在1月10日的时候发布了第一个正式版1.0.1版。1.0.1版更新内容有:

引入了全新的API接口,并通过大量重构增强了兼容性,同时引入了全新的自动语言识别功能:

  • 新的 API 接口
    • 对于数据端API,我们引入了Dataset类,旨在提供强大而灵活的数据处理框架。该框架目前支持多种文档格式,包括图片(.jpg和.png)、PDF、Word文档(.doc和.docx)和PowerPoint演示文稿(.ppt和.pptx)。它确保有效支持从简单到复杂的数据处理任务。
    • 对于用户端API,我们精心设计了MinerU的处理流程为一系列可组合的Stage,每个Stage代表一个具体的处理步骤,用户可以根据自己的需求定义新的Stage,并创造性地组合这些Stage来定制自己的数据处理流程。
  • 增强兼容性
    • 通过优化依赖环境和配置项,保证在ARM架构Linux系统上稳定、高效的运行。
    • 与华为Ascend NPU加速深度融合,提供自主可控的高性能计算能力,支撑中国AI应用平台的本土化发展。Ascend NPU加速
  • 自动语言识别
    • 通过引入新的语言识别模型,在文档解析时将配置设置langauto将自动选择合适的OCR语言模型,提高扫描文档解析的准确性。

更多更新内容可查看以前版本介绍《PDF转Markdown格式软件MinerU一键启动整合包v0.10.0版

1.3.12更新内容

  • 增加ppocrv5模型的支持,将ch_server模型更新为PP-OCRv5_rec_serverch_lite模型更新为PP-OCRv5_rec_mobile(需更新模型)
    • 在测试中,发现ppocrv5(server)对手写文档效果有一定提升,但在其余类别文档的精度略差于v4_server_doc,因此默认的ch模型保持不变,仍为PP-OCRv4_server_rec_doc
    • 由于ppocrv5强化了手写场景和特殊字符的识别能力,因此您可以在日繁混合场景以及手写文档场景下手动选择使用ppocrv5模型
    • 您可通过lang参数lang='ch_server'(python api)或--lang ch_server(命令行)自行选择相应的模型:
      • chPP-OCRv4_rec_server_doc(默认)(中英日繁混合/1.5w字典)
      • ch_serverPP-OCRv5_rec_server(中英日繁混合+手写场景/1.8w字典)
      • ch_litePP-OCRv5_rec_mobile(中英日繁混合+手写场景/1.8w字典)
      • ch_server_v4PP-OCRv4_rec_server(中英混合/6k字典)
      • ch_lite_v4PP-OCRv4_rec_mobile(中英混合/6k字典)
  • 增加手写文档的支持,通过优化layout对手写文本区域的识别,现已支持手写文档的解析
    • 默认支持此功能,无需额外配置
    • 可以参考上述说明,手动选择ppocrv5模型以获得更好的手写文档解析效果

MinerU整合包使用说明

首先将软件压缩包从网盘下载到本地电脑上并解压。由于模型文件比较大,我没有打包进压缩包里,而是做了个下载程序,可以从阿里平台上高速下载。首先双击运行【下载模型文件.exe】,稍等几分钟就可以下载完成,下载完成时终端窗口中会提示模型下载完成信息。

然后双击运行【启动软件.exe】即可打开软件操作界面。

首先选择待处理PDF文件,你可以点击选择文件按钮选择文件,也可以把想要处理的文件鼠标左键按住拖动到软件窗口中,软件会自动填充路径。软件也支持批量处理,你可以选择处理某个文件夹。当前版本新增处理其它多种格式文件: .png .jpg .ppt .pptx .doc .docx

处理方法:默认auto模式,你也可以手动选择ocr或txt,如果是纯文本文档,建议选择txt,速度更快

PDF语言:用于辅助优化ocr的准确性,填写语言代码,如英语文档填:en

v1.3.12更新语言识别模型:

  • chPP-OCRv4_rec_server_doc(默认)(中英日繁混合/1.5w字典)
  • ch_serverPP-OCRv5_rec_server(中英日繁混合+手写场景/1.8w字典)
  • ch_litePP-OCRv5_rec_mobile(中英日繁混合+手写场景/1.8w字典)
  • ch_server_v4PP-OCRv4_rec_server(中英混合/6k字典)
  • ch_lite_v4PP-OCRv4_rec_mobile(中英混合/6k字典)

起始页:想从PDF哪页开始处理。页数从0开始计数的,比如想从第二页开始处理,这里就填1

结束页:想要软件处理到哪页结束,和上面一样,填数字

默认只需要设置待处理文件和保存位置即可,其它不需要设置。

其它选项说明:

表格识别模型默认为RapidTable,你也可以选择其它模型

表格识别和公式识别功能默认都是开启的,如果你用不到这些功能或是电脑带不动,你可以选择关闭这些功能。

软件支持使用通义千问大语言模型对相关功能辅助优化,使用的是在线通义千问功能,所以如果你想要使用这个功能的话,需要申请API KEY。

首先申请一个阿里云百炼的API KEY:https://bailian.console.aliyun.com/?apiKey=1#/api-key

API KEY为sk-开头的一串字符串,然后申请开通大模型:https://bailian.console.aliyun.com/#/model-market,选择一个你想使用的模型,鼠标放在【立即体验】四个字上方会出现开通提示,你点击去开通,开通了大模型使用权限你才可以通过API调用相关大模型

然后在软件API KEY输入框里填写你的阿里云百炼key点击设置就可以了。

要注意,通义千问在线大语言模型并不是完全免费的,是有一定的免费额度的,注意你的用量

PDF文档处理完成后结果会保存在你设置的输出目录里。

输出结果文件说明:

├------some_pdf.md#最终md文件

├------images#图像存储目录

├------some_pdf_layout.pdf#布局图

├------some_pdf_middle.json#MinerU中间处理结果

├------some_pdf_model.json模型推理结果

├------some_pdf_origin.pdf#根据设置处理后的原始pdf文件,如裁剪了页数范围

├------some_pdf_spans.pdf#最小粒度bbox位置信息图

└------some_pdf_content_list.json#按阅读顺序排列的富文本json


视频教程:

注意事项

英伟达低配显卡可用,但建议显存不低于4G

支持英伟达50系列显卡

整合包只支持Windows 10或11系统

软件运行路径中不要有非英文字符和空格,待处理文件同样注意

保存位置不要选择盘符根目录下

如果软件转移过文件夹,或是以前使用过mineru,需要随便点个开始处理以外的设置按钮,以更新配置文件内容

PDF转Markdown软件MinerU 1.3.12版整合包下载链接

夸克网盘分享

相关推荐
百锦再1 小时前
.Net配置文件appsetting.json的几种读取方法
chrome·json·.net·依赖注入·appsetting·web.config
wh393310 小时前
使用Python将PDF转换成word、PPT
python·pdf·word
开开心心就好1 天前
免费PDF处理软件,支持多种操作
运维·服务器·前端·spring boot·智能手机·pdf·电脑
念九_ysl1 天前
Java 使用 OpenHTMLToPDF + Batik 将含 SVG 遮罩的 HTML 转为 PDF 的完整实践
java·开发语言·pdf
一头生产的驴1 天前
java整合itext pdf实现自定义PDF文件格式导出
java·spring boot·pdf·itextpdf
葬歌倾城2 天前
JSON的缩进格式方式和紧凑格式方式
c#·json
火车叨位去19492 天前
Java中的JSON序列化和反序列化
json
开开心心就好2 天前
批量PDF转换工具,一键转换Word Excel
开发语言·前端·学习·pdf·电脑·word·excel
测试杂货铺3 天前
Jmeter(六):json断言元件,jmeter参数化实现
jmeter·json
老家的回忆3 天前
jsPDF和html2canvas生成pdf,组件用的elementplus,亲测30多页,20s实现
前端·vue.js·pdf·html2canvas·jspdf