项目结构

流程解析

预处理的作用是判断文档内容是否需要进行OCR识别，如果是普通可编辑的PDF文档，则使用PyMuPDF库提取元信息。

模型层除了常规的OCR、版面结构分析外，还有公式检测模型，可提取公式内容，用于后续把公式转化为Latex格式。但是目前暂无表格内容识别，官方预计1个月之内会放出。

管线层主要是把上面模型的结果进行加工处理。比如把公式转化为Latex格式、图表保存起来成为图片、把文本框进行排序和合并以及过滤掉无用的信息（页眉、页脚等）。

输出层其实就是结果文件夹中的内容。结果文件夹中有layout.pdf、span.pdf、xx_middle.json、xx_model.json、xx_content_list.json、xx.md、images文件夹。

• • layout.pdf 可以看到 版面结构的识别结果

• 

• 

• • span.pdf 可以看到具体每个文本框的内容

• 

• 

• • xx_middle.json 是用OCR或者PDF库解析出的文档元信息，包含文本块类型、内容和坐标。

• • xx_model.json 是版面分析结果的内容，包含文本块的类型、坐标和置信度。

• • xx_content_list.json 中是文档的类型和具体内容，图表则用img_path指定存放的图片的路径。

• 

实践指南

创建一个python环境，建议python3.10以上

conda create -n MinerU python=3.10
conda activate MinerU

接着安装magic-pdf和detectron2这个包

pip install magic-pdf[full-cpu]
pip install detectron2 --extra-index-url https://myhloli.github.io/wheels/

magic-pdf --version

注意查看版本是否在0.6.x以上，否则会有问题。英特尔芯片的Mac电脑由于某些库的依赖原因，只能到0.5.x的版本。对于M系列的芯片，经过实测发现不支持mps加速，还是只能使用CPU。

接着下载模型权重：https://huggingface.co/wanderkid/PDF-Extract-Kit

接着把该仓库中的magic-pdf.template.json文件拷贝到本地，修改models-dir为下载到本地的模型路径。

{
  "models-dir": "/tmp/models"
}

需要注意的是这个路径是绝对路径

总结

优点

• • 比较准确。从上面的图可以看出，无论是可编辑的PDF还是扫描版的PDF，都能非常好的区分出版面中不同类型的部分，而且最终的结果是以Markdown的格式保存的，可以很容易把不同章节、不同自然段按需进行切分。

缺点

• • 硬件支持不够完善，目前存在很多不兼容的情况。M系列芯片暂时无法解决Bug，GPU未测过是否存在其他问题。而用CPU实在是太慢了，10几页的PDF就需要处理约5分钟。

• • 版面结构进行排序和组合貌似用的全是自定义的规则函数，不太方便开发者进行复用或者微调。

• • 表格内容暂时无法识别。目前只能把表格部分提取为图片保存起来。