Passa al contenuto principale

Analisi PDF MinerU

Scopo​

Chiamare il servizio MinerU per analizzare documenti PDF, estraendo testo e immagini di alta qualità in Markdown, producendo file di nota direttamente leggibili.

MinerU è uno strumento di analisi PDF basato sul deep learning che estrae testo e figure di alta qualità dagli articoli accademici.

Casi d'uso​

  • Convertire la letteratura in formato PDF in Markdown modificabile
  • Preparare documenti di testo semplice per Workflow a valle (es. Analisi della letteratura, Lettura approfondita)
  • Estrarre immagini e tabelle dai PDF

Configurazione del backend MinerU​

1. Registrare un account MinerU e ottenere un Token API​

  1. Visita mineru.net per registrare un account
  2. Dopo l'accesso, vai alla pagina API → Gestione API
  3. Crea o copia un Token API

2. Aggiungere un backend nel Backend Manager​

  1. Apri Strumenti → Backend Manager
  2. Passa alla scheda Generic HTTP
  3. Fai clic su Aggiungi Generic HTTP
  4. Compila i seguenti campi:
CampoValore
Nome visualizzatoMinerU Official (o qualsiasi nome a scelta)
URL di basehttps://mineru.net
Metodo di autenticazionebearer
Token di autenticazioneIncolla il Token API ottenuto nel passaggio precedente
Timeout600000 (10 minuti)
  1. Fai clic su Salva nell'angolo in basso a destra

Vincoli di input​

Tipo di vincoloDescrizione
Unità di inputAllegato
Tipi accettatiapplication/pdf (solo PDF)
Rilevamento dei conflittiSe esiste già un file .md con lo stesso nome nella stessa directory, il PDF viene saltato

Metodi di attivazione​

  • Selezionare direttamente uno o più allegati PDF
  • Selezionare l'elemento padre e il plugin espanderà automaticamente gli allegati PDF figli

Gestione dei conflitti​

  • Verifica se <nome file PDF>.md esiste nella directory di destinazione
  • Se esiste, l'input viene saltato durante la preelaborazione
  • Se tutti i candidati hanno conflitti, il Workflow non invia alcuna attività

Flusso di esecuzione​

1. Richiedi URL di caricamento
   └── POST all'API di MinerU per ottenere batch_id e upload_url

2. Carica il file
   └── Caricamento binario del file PDF

3. Polling per i risultati
   └── Interrogazioni ripetute fino al completamento o al fallimento dell'elaborazione
       └── Intervallo: 2 secondi

4. Scarica i risultati
   └── Scarica il bundle (formato zip)

5. Materializzazione locale
   └── Estrai il bundle
       └── Estrai il contenuto Markdown
       └── Estrai le immagini
       └── Riscrivi i percorsi delle immagini nel Markdown in percorsi relativi locali
       └── Scrivi nella stessa directory del PDF

Output​

1. File Markdown​

  • Posizione: Stessa directory del PDF
  • Denominazione: <nome file originale>.md
  • Contenuto: Testo Markdown analizzato
  • Codifica: UTF-8

2. Directory delle immagini​

  • Posizione: Stessa directory del PDF: Images_<ItemKey>/
  • Contenuto: File di immagini estratti dal PDF

3. Allegato collegato​

  • Tipo: Collegamento a file locale
  • Posizione: Sotto l'elemento padre
  • Destinazione: Il file .md

Logica di pulizia​

  • Se Images_<ItemKey>/ esiste già nella directory di destinazione, la vecchia directory viene eliminata prima della scrittura
  • Evita di creare allegati collegati .md duplicati già esistenti

Durata stimata​

Dimensione del PDFTempo stimato
Articolo breve (≤15 pagine)30 secondi - 1 minuto
Standard (15-40 pagine)1-2 minuti
Articolo lungo (40+ pagine)2-3 minuti

La durata dipende principalmente dalla velocità di elaborazione del servizio MinerU.

Parametri​

Il Workflow MinerU non ha parametri configurabili dall'utente.

Raccomandazioni sul modello​

Non è richiesto alcun modello LLM. Questo Workflow chiama solo il servizio MinerU tramite API HTTP.

Dipendenze​

  • Backend: Servizio MinerU (backend Generic HTTP)
  • Configurazione del backend: Configurare un backend di tipo Generic HTTP nel Backend Manager
  • Autenticazione: È richiesto un Token API valido (Bearer token)
  • URL del servizio MinerU: https://mineru.net o un'altra istanza distribuita

Workflow correlati​