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： 2453
来源：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。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：● 保留原文档的结构和格式，包括标题、段落、列表等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。MinerU PDF文档提取，主要由4大环节构成：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）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。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）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。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。
● 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 DocXchain、Surya、360LayoutAnalysis 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.mdhttps://github.com/opendatalab/MinerUMinerU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。
产品：大模型应用平台+智能体定制开发+落地咨询服务
承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业
粤ICP备17114055号
支持私有云部署
