内容参考于图灵AI大模型全栈PDF是文档中最难处理的因为PDF并不是一个结构化的内容PDF它的内容杂乱无序如下图PDF中的表格这种的就需要识别它表格中或许还存在图片单纯的读取只能得到表格中的文字并没有什么实际的价值还有图片数据单纯的读取只能知道这里有一个图片这就有很多麻烦事现在也没有比较好的处理方式只能在现有的功能上做优化处理PDF首先就要转换把PDF转成JSON或者Markdownmd的文档JSON就不用说了它本身就是结构化的而Markdown它本身也是存在结构如下图是Markdown文档它是存在标题的我们就可以把这些标题看做成结构化它就是天生用来进行分割的MinerU它是上海人工智能实验室 OpenDataLab 团队开源的轻量化多模态智能文档解析工具主打把杂乱 PDF、图片、Office 文档解析为适合大模型、RAG 知识库使用的干净结构化数据在PDF中还会存在公式MinerU识别的也是很好PDF存在的分页表格中有10条数据前5条在第5页后5条在第6页MinerU会把这种跨页面的进行合并MinerU它是免费的开源项目地址https://github.com/opendatalab/MinerU在线体验限速/限量https://mineru.net/它有三种方式使用方式难度速度表格识别公式 LaTeX批量处理适合人群在线网页版★☆☆较慢部分部分不方便临时体验、少量文件一键桌面客户端★★☆快优秀优秀支持大多数普通用户本地命令行/Python通过代码来使用MinerU★★★最快完全可控完全可控极强开发者 / 批量需求通过代码使用MinerU下方有在线使用和本地客户端使用我们肯定是要常用代码处理的所以把代码使用的方式放到了最前面下载Python库pip install -U mineru[all] pip install hf_xet下载模型需要下载特定的PDF解析模型这个模型是MinerU自己的如果不下载它会使用在线的模型在线的会比较慢from modelscope import snapshot_download snapshot_download(OpenDataLab/PDF-Extract-Kit-1.0, local_dirrD:\LLM\Local_model\PDF-Extract-Kit-1.0)模型配置文件mineru.json文件pipeline的值是模型在本地的目录{ models-dir: { pipeline: D:/LLM/Local_model/PDF-Extract-Kit-1.0 } }如下图红框mineru.json文件的位置位置就是放到要运行MinerU代码的py文件的同目录这个目录是我们代码中设置的环境变量决定的看到代码就知道了文件名固定mineru.json注意如果不在py同目录创建mineru.json文件的话它默认会在下图红框的目录中也就是我们电脑的用户目录下代码生成的文件有图片、原始PDF、Markdown文件md文件、json如下图红框图片会包含表格数据然后MD文件它生成的存在问题如下图红框它的目录都是同级都是H2级别都是同级就不好处理这个问题MinerU它不带需要我们自己写处理文档数据的代码这个处理的代码需要根据业务来可能会写很多处理方式如下图红框老版本的MinerU会把表格写成html代码下图红框是使用的新版MinerU生成的可以正常显示表格样式如下图红框一个井号#表示一级标题两个井号#表示二级标题我们就可以通过拆分井号来得到章节信息如下图红框文档中有第一节、第二节。。。的文字然后它的MinerU处理的PDF的章节都是二级的我们就可以通过第一节、第二节。。。的文字来进一划分得到一级标题如下图红框可以通过它们来得到二级标题如下图红框的内容它应该是纯文本但是被MinerU处理成了标题所以它也要被处理代码处理完后的效果标题都正常了上图处理的代码完整代码自定义处理md文档的代码可以告诉aimd文档的格式或者直接把md文件给ai然后让ai写自定义处理import os import re from pathlib import Path # 设置我们本地模型的目录 LOCAL_MODEL_DIR rD:\huanjing\ai模型\LLM\Local_model\PDF-Extract-Kit-1.0 # 设置mineru.json目录 LOCAL_MINERU_CONFIG os.path.join(os.path.dirname(__file__), mineru.json) # 设置MINERU_MODEL_SOURCE环境变量local表示优先加载本地模型默认remote启动时自动联网下载模型 os.environ[MINERU_MODEL_SOURCE] local # 设置MINERU_TOOLS_CONFIG_JSON环境变量它的作用是告诉MinerU这个mineru.json文件位置在什么地方 os.environ[MINERU_TOOLS_CONFIG_JSON] LOCAL_MINERU_CONFIG from mineru.cli.common import do_parse from mineru.data.data_reader_writer import FileBasedDataWriter # PDF目录 pdf_path ./data_file/2020-03-17__厦门灿坤实业股份有限公司__200512__闽灿坤__2019年__年度报告.pdf # 读取文档 with open(pdf_path, rb) as f: pdf_bytes f.read() # 文件解析完存放目录 output_dir output os.makedirs(output_dir, exist_okTrue) # 处理的文件名是一个数组也必须是数组可以传递多个 pdf_file_names [os.path.basename(pdf_path)] # 文件对应的内容如果传递多个顺序要对应好 pdf_bytes_list [pdf_bytes] # 自动语言识别 p_lang_list [] # 设置图片数据存放位置 img_writer FileBasedDataWriter( os.path.join(output_dir, images) ) # 自定义md文件处理 def fix_markdown_headings(md_path): lines Path(md_path).read_text(encodingutf-8).splitlines() new_lines [] for line in lines: stripped line.strip() # 如果不存在# 就添加成纯文本并且结束本次循环 if not stripped.startswith(#): new_lines.append(line) continue # lstrip是把左边也就是开头处的 # 给删除strip是把前后也就是开头和结尾处的 空格、换行 \n、制表符 \t 都会删掉 title stripped.lstrip(#).strip() # 首先匹配第xxx节我们当前处理的文档是有第一节到第六节这里文章中有截图写这里相当于一级标题 if re.match(r^第[一二三四五六七八九十]节, title): new_lines.append(f# {title}) # 匹配一、二、三、四、五、六、七、八、九、十来得到二级标题 elif re.match(r^[一二三四五六七八九十]、, title): new_lines.append(f## {title}) # 通过a-z和A-Z来得到三级标题 elif re.match(r^(\d|[a-zA-Z])、, title): new_lines.append(f### {title}) # 通过 \d 表示的是任意数字可以用来得到四级标题 elif re.match(r^\d, title): new_lines.append(f#### {title}) # 通过是否以 √, □, 单位开头来得到文本之前它们被MinerU处理成了标题 elif title.startswith((√, □, 单位)): new_lines.append(title) else: # 文本内容 new_lines.append(line) # 写出文件 Path(md_path).write_text(\n.join(new_lines), encodingutf-8) def fix_output_markdown_headings(output_dir): # 获取后缀为.md的文件也就是只处理md文件 for md_path in Path(output_dir).rglob(*.md): fix_markdown_headings(md_path) if __name__ __main__: # 调用MinerU解析PDF文件 # do_parse( # pdf_file_namespdf_file_names, # pdf_bytes_listpdf_bytes_list, # p_lang_listp_lang_list, # output_diroutput_dir, # img_writerimg_writer, # parse_methodauto # ) # 处理md文件 fix_output_markdown_headings(output_dir)在线使用打开https://mineru.net/ 链接点击下图红框在下图红框上传一个PDF文件效果图可以看到它把跨页的表格数据识别完后合并成了一个注意它识别的并不是百分百的好如下图红框这个页脚识别的就不好还有一些图片识别的也会不好MinerU在同类中是比较好用的本地客户端使用打开https://mineru.net/链接鼠标移动到下图红框位置就会出现下图蓝框的内容根据自己的电脑系统在下图蓝框中选择对应的操作系统如下图客户端是这样的跟网页版一样把文件拖到下图红框也就是通过下图红框进行上传注意它是不需要联网的它已经把需要的模型下载到本地了如下图红框PDF解析完后它多了一个打开文件夹的按钮鼠标移动上去才会看到这个文件夹中有图片数据、json数据、Markdown数据、原PDF数据它的图片数据下图红框都是一些表格图片就是说它把表格进行了截图后续如果要使用就通过图片识别的方式来查看表格
