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的magic pdf部署: 高质量pdf转markdown 布局,公式,结构检测(MacOS)

发布日期:2024-07-31 07:20:44 浏览次数: 4765
作者:博金斯的AI笔记

微信搜一搜,关注“博金斯的AI笔记”


我用 Macbook Pro 96G+8T 部署, 把部署过程一步步梳理到下文, 部署中遇到的bug也做了记录
整体部署结果不理想, 部署 magic pdf该项目还需要另一个项目PDF-Extract-Kit运转后生成 model.json文件, 并且目前不支持识别表格, 只是结构解析和公式, 开发者表示, 现在也开源一部分功能出来, 后续还在完善

01

minerU
  • 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

table的解析能力目前还没达到开放的标准,还在开发中
magic-pdf.template.json 我是直接去 Github 下载的,更改名称复制到 json
使用的是最简单的命令行指令, pdf_path 写 pdf 文档本地路径, 需要是文件,不是文件夹, 所以命令行更适合一个文件一个文件转换, model_json_path, 模型文件的本地路径,需要由另外一个项目PDF-Extract-Kit 来生成, 这两个项目是同一个团队打造的, 后期会准备集合,现在先初步开源方便一些有需要的人使用
pip install magic-pdf
cp magic-pdf.template.json ~/magic-pdf.json
magic-pdf pdf-command --pdf "pdf_path" --model "model_json_path"
如果没有 model_json,在转换过程中出现以下解析错误

pdf extract kit 包括 :
  • 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,包含行内公式行间公式
  • 公式识别:使用UniMERNet进行公式识别;
  • 光学字符识别:使用PaddleOCR进行文本识别
部署 pdf extract kit, 同时把上面 magic-pdf 环境也重新安装到这个虚拟环境中,避免版本冲突conda create -n pdfpipeline python=3.10
下载 Github 文件
git clone https://github.com/opendatalab/PDF-Extract-Kit.git
下一步安装依赖项就根据自己电脑环境选择, readme 文件有专门说明 ,我这里是 M 芯片的 MBP,安装以下命令

pip3 install -r requirements+cpu.txt

pip install https://github.com/opendatalab/PDF-Extract-Kit/raw/main/assets/whl/detectron2-0.6-cp310-cp310-macosx_11_0_arm64.whl
安装完成后,改两个配置文件, 把这两处的 device 从默认 cuda改成mps(MacOS,M 芯片环境)
PDF-Extract-Kit/configs/model_configs.yaml:2PDF-Extract-Kit/modules/layoutlmv3/layoutlmv3_base_inference.yaml:72
去 huggingface的 pdf extract kit 下载需要用到的布局等模型,不然会报错:No such file or directory: 'models/MFD/weights.pt'

git lfs clone https://huggingface.co/wanderkid/PDF-Extract-Kit
我是自己手动下的, 就 MBF 有个 pytorch bin 的文件有 3G,其他都不到 1G, 下载下来放到之前拉取的 github 文件目录中
下载后注意要重新更改文件名, 下载下来会在文件名前面添加文件夹名, 要把文件夹名删除, 不然运行程序会显示文件找不到
文件结构按照 Huggingface 库里的结构
Layout 是布局识别模型, 布局检测模型基于微软的layoutlmv3-base-chinese微调


MFD 和 MFR 是数学公式识别模型,分别是 math formula detection 和 formula recognition, detection 使用的是YOLOv8-Trained, 识别使用的Unimernet,并没有做多大监督微调SFT


模型下载完后运行, 各个电脑都是下面的命令
python pdf_extract.py --pdf data/pdfs/ocr_1.pdf
在 苹果电脑运行还需要配置 MPS, 直接执行上面命令会显示aten::upsample_bicubic2d.out 操作在 MPS (Metal Performance Shaders) 设备上尚未实现
 File "/Users/linyu/ai/PDF-Extract-Kit/modules/layoutlmv3/layoutlmft/models/layoutlmv3/modeling_layoutlmv3.py", line 71, in forward
    position_embedding = F.interpolate(position_embedding, size=(Hp, Wp), mode='bicubic')

NotImplementedError: The operator 'aten::upsample_bicubic2d.out' is not currently implemented for the MPS device. If you want this op to be added in priority during the prototype phase of this feature, please comment on https://github.com/pytorch/pytorch/issues/77764. As a temporary fix, you can set the environment variable `PYTORCH_ENABLE_MPS_FALLBACK=1` to use the CPU as a fallback for this op. WARNING: this will be slower than running natively on MPS.
需要临时在终端输入export PYTORCH_ENABLE_MPS_FALLBACK=1 或者在py 运行文件中加
import os
os.environ['PYTORCH_ENABLE_MPS_FALLBACK'] = '1'
但是又会出现RuntimeError: Expected repeatBuffer && cumsumBuffer && resultBuffer to be true, but got false.
结果只有把 MPS设备换成CPU, 还是在上面提过的 2 个配置位置修改
出现以下结果就是在处理了
0: 1888x1344 (no detections), 3089.3ms表示模型处理了一张 1888x1344 尺寸的图像,处理时间为 3089.3 毫秒,但未能检测到任何目标
24.7ms preprocess: 图像预处理时间为 24.7 毫秒
3089.3ms inference: 模型推理时间为 3089.3 毫秒。这是主要的耗时部分。
0.3ms postprocess: 结果后处理时间为 0.3 毫秒

结果出现 timeout , 准备放弃部署, 等这个项目成熟些,有功能更新再部署试试
运行完成后会生成一个 model.json 的模型解析文件,应该就是前面 magic pdf 需要的
magic-pdf pdf-command --pdf "/Users/linyu/ai/pdf储能政策知识库/《“十四五”能源领域科技创新规划》2021.pdf" --model ""

02

后续可能会再试试其他 pdf 转格式的工具, 比如 gptpdf,使用 GPT-4V 这种多模态模型识别 pdf,平均每页消耗成本: $0.013
整体原知识库是哪个格式是个问题, 不同 RAG 对格式支持都不同, 准备都转成 markdown 试试,最近微软的 GraphRAG 开源, 先初步了解了解技术, 要实际上手部署还有些距离, 太新的开源技术,试错成本稍稍有点高 ,相关社区也不太成熟
大家是怎么处理知识库的数据的呢, 欢迎交流

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