基于MinerU的PDF解析API，支持一键启动 - 文章 - 开发者社区

unset

unset 简介 unset

unset

https://github.com/gomate-community/GoMate/blob/main/docs/mineru.md


            
- 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

unset

unset 主要功能 unset

unset

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

unset

unset 具体原理 unset

unset

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； picture.image

unset

unset 镜像地址： unset

unset

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

unset

unset 启动命令： unset

unset

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

picture.image

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

unset

unset 启动日志： unset

unset

picture.image

unset

unset 输入参数： unset

unset

访问地址：


            
http://localhost:8888/docs  
  
http://127.0.01:8888/docs

picture.image

unset

unset 解析效果： unset

unset

picture.image

返回内容字段包括:dict_keys(['layout', 'info', 'content']) 其中content是一个字典列表：


          
            
{  
  '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  
}