AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


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: 2486


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,企业落地应用大模型首选服务商

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

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询