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

MinerU | 上海AI lab 开源的pdf内容提取工程

发布日期:2024-07-23 07:32:57 浏览次数: 5718
导读

MinerU 是一款一站式、开源、高质量的数据提取工具,主要包含以下功能:

  • Magic-PDF PDF文档提取

  • Magic-Doc 网页与电子书提取

  • 项目地址:https://github.com/opendatalab/MinerU

Magic-PDF

Magic-PDF 是一款将 PDF 转化为 markdown 格式的工具。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。

Magic-PDF框架示意图

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

简单来看,它的处理流程示意图如下:

可以看到这里面最核心的部分是基于模型的解析模块:PDF-Extract-Kit

而根据官方链接介绍的PDF-Extract-Kit包括以下几个模块:

  • 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,由于文档类型的多样性,现有开源的布局检测和公式检测很难处理多样性的PDF文档,为此作者团队采集多样性数据进行标注和训练,使得在各类文档上取得精准的检测效果

  • 公式检测:使用YOLOv8进行公式检测,包含行内公式行间公式

  • 公式识别:使用UniMERNet进行公式识别,这个方法是上海AI lab前段时间开源的公式识别模型,作者自己说法是可以媲美商业软件,在各种类型公式识别上均匀很高的质量实际体验效果确实不错,

  • 光学字符识别:使用PaddleOCR进行文本识别;

流程图如下:

PDF-Extract-Kit流程图

Magic-Doc

Magic-Doc 是一款支持将网页或多格式电子书转换为 markdown 格式的工具。

主要功能包含

  • Web网页提取

    • 跨模态精准解析图文、表格、公式信息

  • 电子书文献提取

    • 支持 epub,mobi等多格式文献,文本图片全适配

  • 语言类型鉴定

    • 支持176种语言的准确识别

点评

    这里只点评PDF文档解析相关部分,因为 Docx / Html / epub / mobi 转 markdown 是一个纯工程问题,不涉及算法识别,不做评论。

    根据上面PDF-Extract-Kit的流程图可知,本项目的流程与我之前写的PDF文档解析流程(突破大语言模型语料瓶颈:如何从专业PDF文件中挖掘高质量数据)有两个区别:

    1. 版式布局检测标签不包含公式:而是用了一个单独的公式检测模型,用于检测行间公式和行内公式,注意:这里的公式有两个标签。正是因为公式有两种标签,导致后面需要复杂的后处理逻辑将基于PaddleOCR识别的行文本与行内公式识别结果拼接成正确的结果;
    2. 没有阅读顺序模块:这也是导致这个开源工程严重依赖后处理模块的原因,看作者的框架图写到了阅读顺序(layout 顺序)模块正在开发中,说明他们也意识到了这个问题。没有阅读顺序的话,一方面需要通过各种规则后处理来得到输出顺序,另一方面文档版式非常复杂,可以想象一下报纸、杂志的版式,多栏混合排列,靠规则是无法解决这类文档的输出顺序的。
整体上看,这个开源工程相比之前推荐过的开源项目Marker(历史专业出身的开发者开源Marker狂揽8.2K star),增强了版式布局检测和公式识别能力和文本识别能力,可以推荐用于一般的PDF文档解析使用工具,比如常见的单栏双栏文档。

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