MinerU-大语言语料处理神器，CPU/GPU均可跑，开源免费“敲”好用

引言

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。

在这个信息爆炸的时代，AI研究者常常面临着从海量文档中提取高质量数据的挑战。无论是学术文献、行业报告、会议PPT、课本、说明书还是合同单据，这些文档往往以PDF或网页的形式存在，内容复杂，格式多样，而大语言模型的训练，通常需要将这些内容转换为类似markdown的格式才能使用，核心问题集中在两个方面：通过分析布局信息（包括文本、标题、说明、图片、表格和公式），识别不同的元素并处理这些布局组件之间的关系。

MinerU，作为一款全能、开源的文档与网页数据提取工具，致力于简化AI数据处理流程。不仅能将混合了图片、表格、公式等在内的多模态PDF文档精准转化为清晰、易于分析的Markdown格式；还能从包含广告等各种干扰信息的网页中快速解析、抽取正式内容；同时支持epub、mobi、docx等多种格式批量转化为Markdown……

MinerU 目前由2个部分组成，分别提供不同功能：

Magic-PDF PDF文档提取，将 PDF 转化为 Markdown 格式。能够快速识别PDF版面元素，自动删除页眉、页脚、脚注等非正文内容，保留原文档的结构和格式，包括标题、段落、列表等，准确提取图片、表格和公式等多模态内容，并根据顺序，将文档转化为清晰、通顺、易读的Markdown格式。

Magic-Doc 网页与电子书提取，支持常见的文章、论坛、音乐、视频等类型网页信息提取，轻松剔出广告等干扰信息，快速搞定正文、评论、歌词、视频文字详情等关键内容转化。还可以快速将epud、mobi、pptx、docx、chm、azw、txt、rtf等8种以上格式电子书转化为Markdown，做到文本图片全适配。

魔搭社区体验链接：

https://modelscope.cn/studios/OpenDataLab/MinerU

代码开源链接：

https://github.com/opendatalab/MinerU/

MinerU开源模型（PDF-Extract-Kit）：

https://modelscope.cn/models/OpenDataLab/PDF-Extract-Kit

技术解析

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，本文将以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。

用到的模型：

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；

● 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MinerU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。

魔搭最佳实践

使用魔搭社区免费算力实践MinerU，如果是离线任务对处理时长没有要求，可使用魔搭社区长期免费的CPU算力

环境安装：

pip install -U magic-pdf[full] --extra-index-url https://wheels.myhloli.com

❗️下载完成后，务必通过以下命令确认magic-pdf的版本是否正确

magic-pdf --version

下载模型

使用ModelScope CLI下载，自动校对模型SHA256：

modelscope download --model OpenDataLab/PDF-Extract-Kit --exclude models --local_dir /tmp

配置文件

wget https://gitee.com/myhloli/MinerU/raw/master/magic-pdf.template.json
cp magic-pdf.template.json ~/magic-pdf.json

【可选】如果使用魔搭GPU环境，修改【用户目录】中配置文件magic-pdf.json中"device-mode"的值为cuda

{
  "device-mode":"cuda"
}

运行demo

wget https://gitee.com/myhloli/MinerU/raw/master/demo/small_ocr.pdf
magic-pdf -p small_ocr.pdf

【可选】为ocr开启cuda加速（需要显存16G）

1.下载paddlepaddle-gpu, 安装完成后会自动开启ocr加速

python -m pip install paddlepaddle-gpu==3.0.0b1 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/

2.运行以下命令测试ocr加速效果

magic-pdf -p small_ocr.pdf

点击链接，即可跳转模型详情~

https://modelscope.cn/models/OpenDataLab/PDF-Extract-Kit?from=csdnzishequ_text