Zum Hauptinhalt springen

MinerU PDF-Parsung

Zweck​

Den MinerU-Dienst aufrufen, um PDF-Dokumente zu parsen, qualitativ hochwertigen Markdown-Text und Bilder zu extrahieren und direkt lesbare Notizdateien zu erstellen.

MinerU ist ein auf Deep Learning basierendes PDF-Parsungswerkzeug, das qualitativ hochwertigen Text und Abbildungen aus akademischen Artikeln extrahiert.

Anwendungsfälle​

  • Literatur im PDF-Format in bearbeitbares Markdown umwandeln
  • Plain-Text-Dokumente für nachgelagerte Workflows vorbereiten (z. B. Literature Analysis, Deep Reading)
  • Bilder und Tabellen aus PDFs extrahieren

Konfiguration des MinerU-Backends​

1. MinerU-Konto registrieren und API-Token erhalten​

  1. Besuchen Sie mineru.net, um ein Konto zu registrieren
  2. Melden Sie sich an und gehen Sie zur Seite API → API-Verwaltung
  3. Einen API-Token erstellen oder kopieren

2. Backend im Backend Manager hinzufügen​

  1. Öffnen Sie Tools → Backend Manager
  2. Wechseln Sie zum Tab Generic HTTP
  3. Klicken Sie auf Generic HTTP hinzufügen
  4. Füllen Sie die folgenden Felder aus:
FeldWert
AnzeigenameMinerU Official (oder ein beliebiger Name)
Base URLhttps://mineru.net
Auth Methodbearer
Auth TokenDen im vorherigen Schritt erhaltenen API-Token einfügen
Timeout600000 (10 Minuten)
  1. Klicken Sie auf Speichern in der unteren rechten Ecke

Eingabebedingungen​

BedingungstypBeschreibung
EingabeeinheitAnhang
Akzeptierte Typenapplication/pdf (nur PDF)
Konflikt-ErkennungWenn eine .md-Datei mit demselben Namen bereits im selben Verzeichnis existiert, wird die PDF übersprungen

Auslösemethoden​

  • Direkt einen oder mehrere PDF-Anhänge auswählen
  • Den übergeordneten Eintrag auswählen, und das Plugin erweitert automatisch seine untergeordneten PDF-Anhänge

Konfliktbehandlung​

  • Es wird geprüft, ob <PDF-Dateiname>.md im Zielverzeichnis existiert
  • Falls vorhanden, wird die Eingabe bei der Vorverarbeitung übersprungen
  • Wenn alle Kandidaten Konflikte haben, reicht der Workflow keine Aufgaben ein

Ausführungsablauf​

1. Upload-URL anfordern
   └── POST an MinerU-API, um batch_id und upload_url zu erhalten

2. Datei hochladen
   └── Binärer Upload der PDF-Datei

3. Ergebnisse abfragen
   └── Wiederholte Abfragen, bis die Verarbeitung abgeschlossen ist oder fehlschlägt
       └── Intervall: 2 Sekunden

4. Ergebnisse herunterladen
   └── Bundle (zip-Format) herunterladen

5. Lokale Materialisierung
   └── Bundle entpacken
       └── Markdown-Inhalt extrahieren
       └── Bilder extrahieren
       └── Bildpfade in Markdown auf lokale relative Pfade umschreiben
       └── In dasselbe Verzeichnis wie die PDF schreiben

Ausgaben​

1. Markdown-Datei​

  • Speicherort: Dasselbe Verzeichnis wie die PDF
  • Benennung: <Originaldateiname>.md
  • Inhalt: Geparster Markdown-Text
  • Kodierung: UTF-8

2. Bilderverzeichnis​

  • Speicherort: Dasselbe Verzeichnis wie die PDF: Images_<ItemKey>/
  • Inhalt: Aus der PDF extrahierte Bilddateien

3. Verknüpfter Anhang​

  • Typ: Link zur lokalen Datei
  • Speicherort: Unter dem übergeordneten Eintrag
  • Ziel: Die .md-Datei

Bereinigungslogik​

  • Wenn Images_<ItemKey>/ bereits im Zielverzeichnis existiert, wird das alte Verzeichnis vor dem Schreiben gelöscht
  • Vermeidet das Erstellen duplizierter .md-Verknüpfungsanhänge, die bereits existieren

Geschätzte Dauer​

PDF-GrößeGeschätzte Zeit
Kurzer Artikel (≤15 Seiten)30 Sekunden - 1 Minute
Standard (15-40 Seiten)1-2 Minuten
Langer Artikel (40+ Seiten)2-3 Minuten

Die Dauer hängt hauptsächlich von der Verarbeitungsgeschwindigkeit des MinerU-Dienstes ab.

Parameter​

Der MinerU-Workflow hat keine benutzerkonfigurierbaren Parameter.

Modell-Empfehlung​

Kein LLM-Modell erforderlich. Dieser Workflow ruft nur den MinerU-Dienst über die HTTP-API auf.

Abhängigkeiten​

  • Backend: MinerU-Dienst (Generic HTTP Backend)
  • Backend-Konfiguration: Konfigurieren Sie einen Generic HTTP Backend-Typ im Backend Manager
  • Authentifizierung: Ein gültiger API-Token (Bearer-Token) ist erforderlich
  • MinerU-Dienst-URL: https://mineru.net oder eine andere bereitgestellte Instanz

Verwandte Workflows​

  • Literature Analysis — Zusammenfassungen und Zitationsanalysen aus dem geparsten Markdown erstellen