Перейти к основному содержимому

Разбор PDF MinerU

Назначение​

Вызов сервиса MinerU для разбора PDF-документов, извлечения высококачественного текста Markdown и изображений, создания непосредственно читаемых файлов заметок.

MinerU — это инструмент разбора PDF на основе глубокого обучения, который извлекает высококачественный текст и фигуры из академических статей.

Сценарии использования​

  • Конвертация литературы в формате PDF в редактируемый Markdown
  • Подготовка документов с простым текстом для нижестоящих Workflow (например, Анализ литературы, Глубокое чтение)
  • Извлечение изображений и таблиц из PDF

Настройка бэкенда MinerU​

1. Регистрация учётной записи MinerU и получение API-токена​

  1. Посетите mineru.net для регистрации учётной записи
  2. После входа перейдите на страницу API → Управление API
  3. Создайте или скопируйте API-токен

2. Добавление бэкенда в Менеджере бэкендов​

  1. Откройте Инструменты → Менеджер бэкендов
  2. Переключитесь на вкладку Generic HTTP
  3. Нажмите Добавить Generic HTTP
  4. Заполните следующие поля:
ПолеЗначение
Отображаемое имяMinerU Official (или любое имя, которое вы предпочитаете)
Base URLhttps://mineru.net
Метод аутентификацииbearer
Токен авторизацииВставьте API-токен, полученный на предыдущем шаге
Тайм-аут600000 (10 минут)
  1. Нажмите Сохранить в правом нижнем углу

Ограничения ввода​

Тип ограниченияОписание
Единица вводаВложение
Принимаемые типыapplication/pdf (только PDF)
Обнаружение конфликтовЕсли файл .md с тем же именем уже существует в том же каталоге, PDF пропускается

Способы запуска​

  • Прямой выбор одного или нескольких вложений PDF
  • Выбор родительского элемента, и плагин автоматически раскроет его дочерние вложения PDF

Обработка конфликтов​

  • Проверяет, существует ли <имя файла PDF>.md в целевом каталоге
  • Если существует, ввод пропускается во время предварительной обработки
  • Если все кандидаты имеют конфликты, Workflow не отправляет никаких задач

Поток выполнения​

1. Запрос URL загрузки
   └── POST в API MinerU для получения batch_id и upload_url

2. Загрузка файла
   └── Двоичная загрузка PDF-файла

3. Опрос результатов
   └── Повторные запросы до завершения обработки или сбоя
       └── Интервал: 2 секунды

4. Загрузка результатов
   └── Загрузка bundle (zip-формат)

5. Локальная материализация
   └── Извлечение bundle
       └── Извлечение содержимого Markdown
       └── Извлечение изображений
       └── Перепись путей к изображениям в Markdown на локальные относительные пути
       └── Запись в тот же каталог, что и PDF

Выходы​

1. Файл Markdown​

  • Расположение: Тот же каталог, что и PDF
  • Именование: <исходное имя файла>.md
  • Содержимое: Разобранный текст Markdown
  • Кодировка: UTF-8

2. Каталог изображений​

  • Расположение: Тот же каталог, что и PDF: Images_<ItemKey>/
  • Содержимое: Файлы изображений, извлечённые из PDF

3. Связанное вложение​

  • Тип: Ссылка на локальный файл
  • Расположение: Под родительским элементом
  • Цель: Файл .md

Логика очистки​

  • Если Images_<ItemKey>/ уже существует в целевом каталоге, старый каталог удаляется перед записью
  • Избегает создания дублирующих связанных вложений .md, которые уже существуют

Оценочная продолжительность​

Размер PDFОценочное время
Короткая статья (≤15 страниц)30 секунд - 1 минута
Стандартная (15-40 страниц)1-2 минуты
Длинная статья (40+ страниц)2-3 минуты

Продолжительность в основном зависит от скорости обработки сервиса MinerU.

Параметры​

Workflow MinerU не имеет настраиваемых пользователем параметров.

Рекомендации по модели​

Модель LLM не требуется. Этот Workflow только вызывает сервис MinerU через HTTP API.

Зависимости​

  • Бэкенд: Сервис MinerU (бэкенд Generic HTTP)
  • Конфигурация бэкенда: Настройте бэкенд типа Generic HTTP в Менеджере бэкендов
  • Аутентификация: Требуется действительный API-токен (токен Bearer)
  • URL сервиса MinerU: https://mineru.net или другой развёрнутый экземпляр

Связанные Workflow​