基于MinerU的PDF解析API，支持一键启动

unsetunset简介unsetunset

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

unsetunset主要功能unsetunset

utside;" class="list-paddingleft-1">
• 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

unsetunset具体原理unsetunset

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；

unsetunset镜像地址：unsetunset

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

unsetunset启动命令：unsetunset

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

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

unsetunset启动日志：unsetunset

unsetunset输入参数：unsetunset

访问地址：

http://localhost:8888/docs

http://127.0.01:8888/docs

unsetunset解析效果：unsetunset

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
}