更新概览
2025.3.12 我做了个桌面GUI版本，还对官方的网页版进行了优化调整。此次更新新增了批量处理功能，支持多种文件格式，提升了在文档处理方面的效率和灵活性。
工具介绍
MinerU是一款开源免费的大语言模型语料处理工具，尤其适用于RAG等应用场景。它能够将PDF文档准确地转化为markdown格式，目前在市面上的PDF文档提取效果中表现出色。最新版本的MinerU还增加了对PDF中表格的识别功能，进一步丰富了其处理能力。
MinerU 官方仓库： https://github.com/opendatalab/MinerU
以下是MinerU官方的部分更新记录：
2025/03/03 1.2.1 发布，修复了一些问题：
- 修复在字母与数字的全角转半角操作时对标点符号的影响
- 修复在某些情况下caption的匹配不准确问题
- 修复在某些情况下的公式span丢失问题
2025/02/24 1.2.0 发布，这个版本我们修复了一些问题，提升了解析的效率与精度：
性能优化
- auto模式下pdf文档的分类速度提升
- 在华为昇腾 NPU 加速模式下，添加高性能插件支持，常见场景下端到端加速可达 300%
解析优化
- 优化对包含水印文档的解析逻辑，显著提升包含水印文档的解析效果
- 改进了单页内多个图像/表格与caption的匹配逻辑，提升了复杂布局下图文匹配的准确性
问题修复
- 修复在某些情况下图片/表格span被填充进textblock导致的异常
- 修复在某些情况下标题block为空的问题
2025/01/10 1.0.1 发布，这是我们的第一个正式版本，在这个版本中，我们通过大量重构带来了全新的API接口和更广泛的兼容性，以及全新的自动语言识别功能：
全新API接口
- 对于数据侧API，我们引入了Dataset类，旨在提供一个强大而灵活的数据处理框架。该框架当前支持包括图像（.jpg及.png）、PDF、Word（.doc及.docx）、以及PowerPoint（.ppt及.pptx）在内的多种文档格式，确保了从简单到复杂的数据处理任务都能得到有效的支持。
- 针对用户侧API，我们将MinerU的处理流程精心设计为一系列可组合的Stage阶段。每个Stage代表了一个特定的处理步骤，用户可以根据自身需求自由地定义新的Stage，并通过创造性地组合这些阶段来定制专属的数据处理流程。
更广泛的兼容性适配
- 通过优化依赖环境和配置项，确保在ARM架构的Linux系统上能够稳定高效运行。
- 深度适配华为昇腾NPU加速，积极响应信创要求，提供自主可控的高性能计算能力，助力人工智能应用平台的国产化应用与发展。
自动语言识别
- 通过引入全新的语言识别模型， 在文档解析中将
lang配置为auto，即可自动选择合适的OCR语言模型，提升扫描类文档解析的准确性。
- 通过引入全新的语言识别模型， 在文档解析中将
- 2024/11/22 0.10.0发布，通过引入混合OCR文本提取能力，
2024/10/31 0.9.0发布，这是我们进行了大量代码重构的全新版本，解决了众多问题，提升了性能，降低了硬件需求，并提供了更丰富的易用性：
- 重构排序模块代码，使用 layoutreader 进行阅读顺序排序，确保在各种排版下都能实现极高准确率
- 重构段落拼接模块，在跨栏、跨页、跨图、跨表情况下均能实现良好的段落拼接效果
- 重构列表和目录识别功能，极大提升列表块和目录块识别的准确率及对应文本段落的解析效果
- 重构图、表与描述性文本的匹配逻辑，大幅提升 caption 和 footnote 与图表的匹配准确率，并将描述性文本的丢失率降至接近0
- 增加 OCR 的多语言支持，支持 84 种语言的检测与识别，语言支持列表详见 [OCR 语言支持列表]
- 增加显存回收逻辑及其他显存优化措施，大幅降低显存使用需求。开启除表格加速外的全部加速功能(layout/公式/OCR)的显存需求从16GB降至8GB，开启全部加速功能的显存需求从24GB降至10GB
- 优化配置文件的功能开关，增加独立的公式检测开关，无需公式检测时可大幅提升速度和解析效果
集成 PDF-Extract-Kit 1.0
- 加入自研的
doclayout_yolo模型，在相近解析效果情况下比原方案提速10倍以上，可通过配置文件与layoutlmv3自由切换 - 公式解析升级至
unimernet 0.2.1，在提升公式解析准确率的同时，大幅降低显存需求
- 加入自研的
- 2024/07/05 首次开源
环境配置与使用
考虑到MinerU的环境配置相对复杂，特此制作了Windows系统的环境一键整合包，方便用户使用。该整合包包含使用说明文档，适用于Windows11系统（其他系统未测试，如有问题可留言反馈）。
下载地址
MinerU环境一键整合包下载地址 (含历史版本)
链接： https://pan.quark.cn/s/83422734cb89
使用说明
使用非常简单，无需复杂安装部署，下载后解压即可使用。已经包含了模型，整合了Python单独的环境以及所需的包，独立不干扰系统环境，小白也能轻松上手，也可用于二次开发。
- 使用前准备：需要安装里面的cuda，安装cuda的教程可自行百度，如果已经安装请忽略。如果之前安装有cuda报错，可卸载之前的cuda，安装整合包中的cuda11.8版本。
- 解压注意事项：解压后可运行，可解压到任意位置，但路径最好不要包含中文或有空格的文件夹，以免导致各种问题。
网页版
点击运行运行网页版.bat, 运行网页版界面,
和 https://www.modelscope.cn/studios/OpenDataLab/MinerU 功能一样
除此之外, 将页数限制改成了100000, 新增支持一次处理多个文件, 文件格式支持多种
桌面版
点击运行桌面版.bat, 运行桌面版界面, 功能和网页版的差不多, 喜欢用哪个选哪个
目录说明
models # 模型目录
output # 输出文件夹
projects # 项目文件夹
python # 环境文件夹
magic-pdf.json # magic-pdf配置文件
small_ocr.pdf # PDF测试文件
运行桌面版.bat # 桌面版运行脚本
运行网页版.bat # 网页版运行脚本脚本说明
如果需要使用脚本命令, 或需要是二次开发, 请解压到D:\MinerU, 因为生成的exe硬编码了路径, 所以只能解压到这个位置, 不然路径会出错.
运行脚本方式1
可以先把D:\MinerU\python 和D:\MinerU\python\Scripts 这两个目录添加到系统环境变量, 这样可以直接运行官方命令
magic-pdf --help
Usage: magic-pdf [OPTIONS]
Options:
-v, --version display the version and exit
-p, --path PATH local filepath or directory. support PDF, PPT,
PPTX, DOC, DOCX, PNG, JPG files [required]
-o, --output-dir PATH output local directory [required]
-m, --method [ocr|txt|auto] the method for parsing pdf. ocr: using ocr
technique to extract information from pdf. txt:
suitable for the text-based pdf only and
outperform ocr. auto: automatically choose the
best method for parsing pdf from ocr and txt.
without method specified, auto will be used by
default.
-l, --lang TEXT Input the languages in the pdf (if known) to
improve OCR accuracy. Optional. You should
input "Abbreviation" with language form url: ht
tps://paddlepaddle.github.io/PaddleOCR/en/ppocr
/blog/multi_languages.html#5-support-languages-
and-abbreviations
-d, --debug BOOLEAN Enables detailed debugging information during
the execution of the CLI commands.
-s, --start INTEGER The starting page for PDF parsing, beginning
from 0.
-e, --end INTEGER The ending page for PDF parsing, beginning from
0.
--help Show this message and exit.
## show version
magic-pdf -v
## command line example
magic-pdf -p {some_pdf} -o {some_output_dir} -m auto比如对一个路径为PDF目录里边的文件进行遍历转换处理, 命令行为
magic-pdf -p PDF目录 -o PDF输出目录 -m auto运行脚本方式2
如果不添加到环境变量, 在D:\MinerU 目录下, 使用右键打开命令行输入
./python/Scripts/magic-pdf.exe -p PDF目录 -o PDF输出目录 -m auto
或者直接用绝对路径
D:/MinerU/python/Scripts/magic-pdf.exe -p PDF目录 -o PDF输出目录 -m auto对python的包进行管理, 命令为
./python/python.exe -m pip install xxx
./python/python.exe -m pip install -U "magic-pdf[full]"如果确实需要放到别的盘使用, 则需要重装pip和magic-pdf等你需要的包, 重装的时候会重新生成所在目录python\Scripts的exe文件
./python/python.exe -m pip install -U "magic-pdf[full]"更新
如果要自行更新(前提官方模型没更新, api没变动)
可以使用下面更新命令进行更新(不同的源可能magic-pdf版本不一样)
./python/python.exe -m pip install -U "magic-pdf[full]"更新完需要修改文件, 不然会提示模型路径出错
修改文件
D:\MinerU\python\Lib\site-packages\magic_pdf\libs\config_reader.py将11行左右
# 定义配置文件名常量
# CONFIG_FILE_NAME = os.getenv('MINERU_TOOLS_CONFIG_JSON', 'magic-pdf.json')改为
# 定义配置文件名常量
# CONFIG_FILE_NAME = os.getenv('MINERU_TOOLS_CONFIG_JSON', 'magic-pdf.json')
# 获取当前目录
current_dir = os.getcwd()
print("当前目录为: ", current_dir)
CONFIG_FILE_NAME = os.path.join(current_dir, "magic-pdf.json")
print("当前配置路径为: ", CONFIG_FILE_NAME)将66行左右
models_dir = config.get('models-dir')改为
models_dir = config.get('models-dir')
models_dir = os.path.join(current_dir, models_dir)
print(f"当前模型目录为: {models_dir}")
修改文件D:\MinerU\python\Lib\site-packages\paddleocr\paddleocr.py
将66行左右
BASE_DIR = os.path.expanduser("~/.paddleocr/")改为
BASE_DIR = os.path.join(os.getcwd(), "models", "paddleocr")
print(f"paddleocr模型的目录为: {BASE_DIR}")这样更新完模型的路径才不会报错
开发
在PyCharm里环境变量填python/python.exe所在目录
疑难解答
如运行遇到报错，建议留言附带电脑配置信息（如i7-11800H, 内存16G, 显卡RTX 3060 12G），所用系统（如Win11、Win10等），显卡驱动版本，cuda版本等，以便更好地排查问题。
加个微信，可以吗 WJC05026 安装后启动不了，请教一下
没有独显的情况下运行报错，大佬指导一下