MinerU一款全能、开源的文档与网页数据提取工具

MinerU 是一款由上海人工智能实验室OpenDataLab团队发布的全能、开源的文档与网页数据提取工具。它能够将包含图片、表格、公式等元素的多模态PDF文档转化为清晰、易于分析的Markdown格式，同时也支持从包含广告等干扰信息的网页中快速解析、抽取正式内容，并将其批量转化为Markdown格式。

一、主要特点

多功能性：MinerU 包含两个主要部分：Magic-PDF和Magic-Doc，分别负责PDF文档提取和网页与电子书提取。

多模态处理：Magic-PDF能够处理PDF中的图像、表格、公式等多种内容类型，并保留原文档的结构和格式。

高质量解析：MinerU使用了先进的模型，如LayoutLMv3、YOLOv8、UniMERNet和PaddleOCR，以确保数据提取的高准确度。

广泛的应用场景：适用于学术、财务、法律等多个领域，并支持多达176种语言的准确识别。

跨平台支持：能够在Windows、Linux和Mac平台上运行，并支持CPU和GPU环境。

二、使用场景

MinerU 适用于需要从复杂格式的文档中提取数据的场景，尤其适合于AI研究和大模型训练中处理大量非结构化数据的需求。

三、技术细节

PDF文档提取：MinerU的PDF提取过程包括PDF文档分类预处理、模型解析和管线处理等环节。它能够识别和处理文本型、图层型和扫描版的PDF文档，并通过一系列深度学习模型进行版面分析、OCR和公式识别。

网页与电子书提取：Magic-Doc能够从多种类型的网页和电子书中提取信息，支持包括epub、mobi在内的多种格式，并能够处理文章、论坛、音乐、视频等内容类型。

四、快速安装与使用

CPU Demo

# 1. 安装依赖
conda create -n MinerU pythnotallow=3.10
conda activate MinerU
pip install -U magic-pdf[full] --extra-index-url https://wheels.myhloli.com -i https://pypi.tuna.tsinghua.edu.cn/simple


# 2. 下载模型权重文件
# 根据官方文档（https://github.com/opendatalab/MinerU/blob/master/docs/how_to_download_models_en.md）指示操作


# 3. 配置Magic-PDF
cp magic-pdf.template.json ~/magic-pdf.json
# 编辑 ~/magic-pdf.json，设置正确的模型文件路径


# 4. 开始使用
magic-pdf --help
magic-pdf -p {some_pdf} -o {some_output_dir} -m auto

Docker 快速部署

# 检查您的设备是否支持Docker上的CUDA加速。
docker run --rm --gpus=all nvidia/cuda:12.1.0-base-ubuntu22.04 nvidia-smi


# 运行 docker 部署
wget https://github.com/opendatalab/MinerU/raw/master/Dockerfile
docker build -t mineru:latest .
docker run --rm -it --gpus=all mineru:latest /bin/bash
magic-pdf --help

更多使用方式，请查阅如下提供地址

总结

体验链接: https://opendatalab.com/OpenSourceTools/Extractor/PDF

开源仓库:https://github.com/opendatalab/MinerU/

MinerU开源模型（PDF-Extract-Kit）: https://modelscope.cn/models/OpenDataLab/PDF-Extract-Kit