2026年7月2日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

登顶GitHub Trending,开源工具MinerU助力复杂PDF高效解析提取

发布日期:2024-08-08 06:17:59 浏览次数: 4855
作者:书生Intern

微信搜一搜,关注“书生Intern”

在7月4日举行的WAIC 2024科学前沿主论坛上,书生·浦语2.5正式发布,面向大模型研发与应用的全链条工具体系同时迎来升级。在数据处理环节,上海人工智能实验室(上海AI实验室)大模型数据基座OpenDataLab团队开源了全新的智能数据提取工具——MinerU


MinerU 不仅能将混合了图片、公式、表格、脚注等在内的复杂多模态 PDF 文档精准转化为清晰、易于分析的 Markdown 格式;同时支持从包含广告等各种干扰信息或者复杂格式的网页、电子书中快速解析、抽取正式内容,有效提高AI语料准备效率,助力各行业利用大模型、RAG等技术,结合学术文献、财务报告、法律文件、电子书籍等专业文档,打造垂直领域的新知识引擎。


MinerU项目地址

https://github.com/opendatalab/MinerU(点击文末“阅读原文”直达)


PDF-Extract-Kit PDF模型解析工具链代码

https://github.com/opendatalab/PDF-Extract-Kit

MinerU代码公开之后,凭借精准、快速的SOTA效果,媲美甚至超过商业软件的性能,获国内外多个技术大V点赞,GitHub Star累计飙升3000+,登顶GitHub Python Trending(2024年7月28日-29日),成为AI数据清洗中一个优秀的开源工具。


一、MinerU功能介绍

MinerU 可以将 PDF 转化为 Markdown 格式。支持转换本地文档或者位于支持S3协议对象存储上的文件。主要功能包含
● 支持多种前端模型输入
● 删除页眉、页脚、脚注、页码等元素
● 符合人类阅读顺序的排版格式
● 保留原文档的结构和格式,包括标题、段落、列表等
● 提取图像和表格并在Markdown中展示
● 将公式转换成LaTex
● 乱码PDF自动识别并转换
● 支持CPU和GPU环境
● 支持Windows/Linux/Mac平台
(更多详细介绍,请点击此处查看)

(MinerU功能完整介绍视频)

二、PDF提取流程及技术架构

PDF文档相比网页、电子书等结构标准化的文件含有更多复杂的元素,处理更具挑战性和代表性,所以接下来,将以PDF为代表,重点介绍 MinerU 如何实现高质量文档数据提取。

(流程图)

MinerU PDF文档提取,主要由4大环节构成:

● PDF文档分类预处理
MinerU支持不同类型的PDF文档提取,包括文本型PDF、图层型PDF、扫描版PDF;初始阶段,输入PDF文档,系统会启用文档分类模块,提取PDF元数据,检测是否有乱码,是否是扫描版,进行PDF类型识别预处理。
(注:文本型PDF:文字可以复制;图层型PDF:文字不可复制,解析乱码)

● 模型解析,PDF内容提取
紧接着,利用高质量PDF模型解析工具链进一步对PDF文档进行Layout区块布局检测,准确定位标题、正文、图片、表格、脚注、边注等重要元素位置,与此同时,结合公式检测模型定位公式区域。最后结合高质量公式识别及OCR技术提取准确的文本、公式内容,存储到JSON文件中。

● 管线处理,支持多种格式输出
模型处理的数据会输入管线,进行后处理:确定块级别顺序,删减无用元素,依靠版面对内容排序、拼装,保证正文流畅。处理方式包括:坐标修复、高iou处理、图片、表格描述合并、公式替换、图标转储、Layout排序、无用移出、复杂布局过滤等。

管线处理好的文档信息会变为一个统一的中间态:middle-json(包含PDF解析出来的所有的信息),开发者可以按照使用需求自定义输出Layout、Span、Markdown、Content list等不同的格式。
(注:Content list是作者团队开发的一套列表样的序列结构格式,比Markdown格式能保留更多信息,可用于多模态、NLP等大模型训练)

● PDF提取结果质检
团队利用由论文、教材、试卷、研报等多种类型文档组成的人工标注的PDF自测评测集,对整个流程进行检测,保证每次开发调优、算法改进后,提取效果越来越好;同时利用可视化质检工具,将PDF提取结果进行人工质检与标注,再反馈给模型训练,进一步提升模型能力。

详细项目全景图如下:


三、高质量PDF模型解析工具链

MinerU PDF模型解析工具链 PDF-Extract-Kit,主要由四个关键模块组成:
● 布局检测:使用 LayoutLMv3 微调出来的检测模型进行区域检测,如图像,表格、标题、文本等;
● 公式检测:使用基于 YOLOv8 自研的公式检测模型进行公式检测,包含行内公式和行间公式;
● 公式识别:使用自研的 UniMERNet 公式识别模型进行公式识别;
● 光学字符识别:使用 PaddleOCR 模型进行文本识别;

在论文、教材、研报、财报等多样性的PDF文档上,MinerU的pipeline都能得到准确的提取结果,对于扫描模糊、水印等情况也有较高鲁棒性。
(不同类型PDF提取效果示意)

四、评测指标


● 布局检测

作者团队将 MinerU 与现有的开源 Layout 检测模型做了对比,包括 DocXchainSurya360LayoutAnalysis 的两个模型。而 LayoutLMv3-SFT 指的是他们在LayoutLMv3-base-chinese 预训练权重的基础上进一步做了SFT训练后的模型。论文验证集由402张论文页面构成,教材验证集由587张不同来源的教材页面构成。


● 公式检测

作者团队将 MinerU 与开源的模型 Pix2Text-MFD 做了对比。其中,YOLOv8-Trained 是他们在YOLOv8l 模型的基础上训练后的权重。论文验证集由255张论文页面构成,多源验证集由789张不同来源的页面构成,包括教材、书籍等。


● 公式识别

公式识别作者团队则直接使用了 UniMERNet 的权重,没有进一步的SFT训练,其精度验证结果可以在其GitHub页面获取。


●光学字符识别

使用了PaddleOCR 官方提供的权重,没有做进一步的训练和验证,因此不涉及验证代码。


评测结果显示,MinerU在布局检测、公式检测、公式识别多个维度上性能都远超其他开源模型,识别准确率也非常不错。更多评测详情,请访问:
https://github.com/opendatalab/PDF-Extract-Kit/blob/main/assets/validation/README-zh_CN.md

五、MinerU部署及使用
MinerU完整部署及使用文档请访问:
https://github.com/opendatalab/MinerU

MinerU能力已集成在新一代大语言模型书生·浦语2.5(InternLM2.5)中,可以与AI进行文档格式转化及内容问答交互,欢迎大家体验。







53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅