Aller au contenu principal

MinerU PDF Parsing

Objectif​

Appeler le service MinerU pour analyser des documents PDF, en extrayant du texte et des images Markdown de haute qualité, produisant des fichiers de notes directement lisibles.

MinerU est un outil d'analyse PDF basé sur l'apprentissage profond qui extrait du texte et des figures de haute qualité d'articles académiques.

Cas d'Usage​

  • Convertir de la littérature au format PDF en Markdown éditable
  • Préparer des documents en texte brut pour des workflows en aval (par exemple, Literature Analysis, Deep Reading)
  • Extraire des images et des tableaux des PDF

Configuration du Backend MinerU​

1. Créer un Compte MinerU et Obtenir un Jeton API​

  1. Visitez mineru.net pour créer un compte
  2. Après connexion, allez à la page API → Gestion de l'API
  3. Créez ou copiez un Jeton API

2. Ajouter un Backend dans le Gestionnaire de Backends​

  1. Ouvrez Outils → Gestionnaire de Backends
  2. Basculez vers l'onglet HTTP Générique
  3. Cliquez sur Ajouter HTTP Générique
  4. Remplissez les champs suivants :
ChampValeur
Nom d'AffichageMinerU Official (ou tout nom de votre choix)
URL de Basehttps://mineru.net
Méthode d'Authentificationbearer
Jeton d'AuthentificationCollez le Jeton API obtenu à l'étape précédente
Délai d'Attente600000 (10 minutes)
  1. Cliquez sur Enregistrer dans le coin inférieur droit

Contraintes d'Entrée​

Type de ContrainteDescription
Unité d'EntréePièce jointe
Types Acceptésapplication/pdf (PDF uniquement)
Détection de ConflitsSi un fichier .md portant le même nom existe déjà dans le même répertoire, le PDF est ignoré

Méthodes de Déclenchement​

  • Sélectionner directement une ou plusieurs pièces jointes PDF
  • Sélectionner la notice parente, et le plugin déploiera automatiquement ses pièces jointes PDF enfants

Gestion des Conflits​

  • Vérifie si <nom du fichier PDF>.md existe dans le répertoire cible
  • S'il existe, l'entrée est ignorée lors du prétraitement
  • Si tous les candidats ont des conflits, le workflow ne soumet aucune tâche

Flux d'Exécution​

1. Demander l'URL de Téléversement
   └── POST vers l'API MinerU pour obtenir batch_id et upload_url

2. Téléverser le Fichier
   └── Téléversement binaire du fichier PDF

3. Interroger les Résultats
   └── Requêtes répétées jusqu'à ce que le traitement se termine ou échoue
       └── Intervalle : 2 secondes

4. Télécharger les Résultats
   └── Télécharger le bundle (format zip)

5. Matérialisation Locale
   └── Extraire le bundle
       └── Extraire le contenu Markdown
       └── Extraire les images
       └── Réécrire les chemins d'images dans le Markdown en chemins relatifs locaux
       └── Écrire dans le même répertoire que le PDF

Sorties​

1. Fichier Markdown​

  • Emplacement : Même répertoire que le PDF
  • Nommage : <nom du fichier original>.md
  • Contenu : Texte Markdown analysé
  • Encodage : UTF-8

2. Répertoire d'Images​

  • Emplacement : Même répertoire que le PDF : Images_<ItemKey>/
  • Contenu : Fichiers d'images extraits du PDF

3. Pièce Jointe Liée​

  • Type : Lien vers un fichier local
  • Emplacement : Sous la notice parente
  • Cible : Le fichier .md

Logique de Nettoyage​

  • Si Images_<ItemKey>/ existe déjà dans le répertoire cible, l'ancien répertoire est supprimé avant l'écriture
  • Évite de créer des pièces jointes liées .md en double qui existent déjà

Durée Estimée​

Taille du PDFDurée Estimée
Article court (≤15 pages)30 secondes - 1 minute
Standard (15-40 pages)1-2 minutes
Article long (40+ pages)2-3 minutes

La durée dépend principalement de la vitesse de traitement du service MinerU.

Paramètres​

Le workflow MinerU n'a pas de paramètres configurables par l'utilisateur.

Recommandation de Modèle​

Aucun modèle LLM requis. Ce workflow appelle uniquement le service MinerU via l'API HTTP.

Dépendances​

  • Backend : Service MinerU (backend HTTP Générique)
  • Configuration du Backend : Configurer un backend de type HTTP Générique dans le Gestionnaire de Backends
  • Authentification : Un Jeton API valide (jeton Bearer) est requis
  • URL du Service MinerU : https://mineru.net ou une autre instance déployée

Workflows Associés​

  • Literature Analysis — Générer des résumés et des analyses de citation à partir du Markdown analysé