探索 PDF 转 Markdown 的项目：MinerU 和 pdfParser

pdfParser 项目是在MinerU 项目 的基础上开发的，增加了表格识别功能

MinerU：综合数据提取工具

MinerU 项目 是一款一站式、开源、高质量的数据提取工具，支持 PDF、网页和电子书的提取。其 Magic-PDF 模块可以将 PDF 转换为 Markdown 格式，保留文档结构和格式，并支持图像和表格提取。该项目是由opendatalab实验室开源的项目，该实验室是为为国产大模型提供高质量的开放数据集。

部署方法

1. 克隆项目：

   git clone https://github.com/opendatalab/MinerU.git
   

2. 安装 Magic-PDF：

   pip install magic-pdf[full-cpu]
   

3. 下载模型权重文件并配置：

   cp magic-pdf.template.json ~/magic-pdf.json
   

4. 使用 CUDA 或 MPS 加速推理（可选）：

   • CUDA：

     pip install --force-reinstall torch==2.3.1 torchvision==0.18.1 --index-url https://download.pytorch.org/whl/cu118
     

     修改 magic-pdf.json：

     {
       "device-mode": "cuda"
     }
     

   • MPS：
     修改 magic-pdf.json：

     {
       "device-mode": "mps"
     }
     

5. 运行 Magic-PDF：

   magic-pdf pdf-command --pdf "pdf_path" --inside_model true
   

pdfParser：增强的表格识别功能

pdfParser 项目 增强了表格识别功能，能将 PDF 中的表格转换为 Markdown 文本。

部署方法

1. 克隆项目：

   git clone https://github.com/JUN-ZZ/pdfParser.git
   

2. 安装依赖：

   在上面的项目基础上安装
    pip install html2text  -i https://mirror.baidu.com/pypi/simple
   

3. 修改目录运行：

   python data_processer.py
   

通过利用这些工具，用户可以简化数据提取过程，实现 PDF 内容到 Markdown 格式的无缝转换。

原文地址：https://blog.csdn.net/kjzd123/article/details/140556883

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！