搜索到
1
篇与
的结果
-
MinerU 1.2.2 本地离线环境一键整合包 使用教程 (无需安装部署,解压即用) 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。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。
