mirror of
https://github.com/labring/FastGPT.git
synced 2025-10-15 15:41:05 +00:00
1581a08082
* doc_mineru * Delete bun.lock --------- Co-authored-by: xxYyh <xxyyh@xxYyhdeMacBook-Pro.local> Co-authored-by: Archer <545436317@qq.com>
84 lines
3.5 KiB
Plaintext
84 lines
3.5 KiB
Plaintext
---
|
||
title: 接入 MinerU PDF 文档解析
|
||
description: 使用 MinerU 解析 PDF 文档，可实现图片提取、布局识别、表格识别和公式识别
|
||
---
|
||
|
||
## 背景
|
||
|
||
PDF 是一个相对复杂的文件格式，在 FastGPT 内置的 pdf 解析器中，依赖的是 pdfjs 库解析，该库基于逻辑解析，无法有效的理解复杂的 pdf 文件。所以我们在解析 pdf 时候，如果遇到图片、表格、公式等非简单文本内容，会发现解析效果不佳。
|
||
|
||
市面上目前有多种解析 PDF 的方法，比如使用 [MinerU](https://github.com/opendatalab/MinerU)，该项目使用了 YOLO、PaddleOCR以及表格识别等模型，基于视觉解析，可以有效提取图片、表格、公式等复杂内容。
|
||
|
||
社区版用户可以在`config.json`文件中添加`systemEnv.customPdfParse`配置，来使用 MinerU 解析 PDF 文件。商业版用户直接在 Admin 后台根据表单指引填写即可，使用教程中会详细解释。
|
||
|
||
## 使用教程
|
||
|
||
硬件需求：16g+ 的gpu显存推理卡，最小 16GB+, 推荐 32GB+的内存，其他要求查看[官网](https://github.com/opendatalab/MinerU)
|
||
|
||
### 1. 安装 MinerU
|
||
|
||
这里介绍快速 Docker 安装的方法：
|
||
|
||
拉取fastgpt-mineru镜像 ---> 创建容器启动解析服务 ---> 把部署好的url地址接入到fastgpt配置文件中
|
||
|
||
```dockerfile
|
||
docker pull crpi-h3snc261q1dosroc.cn-hangzhou.personal.cr.aliyuncs.com/fastgpt_ck/mineru:v1
|
||
docker run --gpus all -itd -p 7231:8001 --name mode_pdf_minerU crpi-h3snc261q1dosroc.cn-hangzhou.personal.cr.aliyuncs.com/fastgpt_ck/mineru:v1
|
||
```
|
||
这里的mineru接入的是pipeline模式，并且在docker内部进行了并行化，会根据gpu数量创建多个进程来同时处理上传的pdf数据
|
||
|
||
### 2. 添加 FastGPT 文件配置
|
||
|
||
```json
|
||
{
|
||
xxx
|
||
"systemEnv": {
|
||
xxx
|
||
"customPdfParse": {
|
||
"url": "http://xxxx.com/v2/parse/file", // 自定义 PDF 解析服务地址 MinerU
|
||
"key": "", // 自定义 PDF 解析服务密钥
|
||
"doc2xKey": "", // doc2x 服务密钥
|
||
"price": 0 // PDF 解析服务价格
|
||
}
|
||
}
|
||
}
|
||
```
|
||
|
||
商业版请按下图配置
|
||
|
||
|
||
|
||
**注意:** 通过配置文件添加的服务需要重启服务。
|
||
|
||
### 3. 测试效果
|
||
|
||
通过知识库上传一个 pdf 文件，并勾选上 `PDF 增强解析`。
|
||
|
||
|
||
|
||
确认上传后，可以在日志中看到 LOG （LOG_LEVEL需要设置 info 或者 debug）：
|
||
|
||
```
|
||
[Info] 2024-12-05 15:04:42 Parsing files from an external service
|
||
[Info] 2024-12-05 15:07:08 Custom file parsing is complete, time: 1316ms
|
||
```
|
||
|
||
|
||
同样的，在应用中，你可以在文件上传配置里，勾选上 `PDF 增强解析`。
|
||
|
||
|
||
|
||
## 效果展示
|
||
|
||
以清华的 [ChatDev Communicative Agents for Software Develop.pdf](https://arxiv.org/abs/2307.07924) 为例，展示 MinerU 解析的效果：
|
||
|
||
| | | |
|
||
| ------------------------------- | ------------------------------- | ------------------------------- |
|
||
|  |  |  |
|
||
|  |  |  |
|
||
|
||
上图是分块后的结果，下图是 pdf 原文。整体图片、公式、ocr手写体都可以提取出来，效果还是可以的。
|
||
|
||
不过要注意的是，[MinerU](https://github.com/opendatalab/MinerU) 的协议是`GPL-3.0 license`，请在遵守协议的前提下使用。
|
||
|