标签： PDF提取工具

款将PDF转化为机器可读格式的工具（如markdown、json），可以很方便地抽取为任意格式。 

主要功能

• 删除页眉、页脚、脚注、页码等元素，保持语义连贯
• 对多栏输出符合人类阅读顺序的文本
• 保留原文档的结构，包括标题、段落、列表等
• 提取图像、图片标题、表格、表格标题
• 自动识别文档中的公式并将公式转换成latex
• 自动识别文档中的表格并将表格转换成latex
• 乱码PDF自动检测并启用OCR
• 支持CPU和GPU环境
• 支持windows/linux/mac平台

使用CPU快速体验（Windows，Linux，Mac）

安装前必看——软硬件环境支持说明

为了确保项目的稳定性和可靠性，我们在开发过程中仅对特定的软硬件环境进行优化和测试。这样当用户在推荐的系统配置上部署和运行项目时，能够获得最佳的性能表现和最少的兼容性问题。

在非主线环境中，由于硬件、软件配置的多样性，以及第三方依赖项的兼容性问题，我们无法100%保证项目的完全可用性。因此，对于希望在非推荐环境中使用本项目的用户，我们建议先仔细阅读文档以及FAQ，大多数问题已经在FAQ中有对应的解决方案，除此之外我们鼓励社区反馈问题，以便我们能够逐步扩大支持范围。

安装教程

安装magic-pdf，最新版本国内镜像源同步可能会有延迟，请耐心等待

conda create -n MinerU python=3.10
conda activate MinerU
pip install magic-pdf[full]==0.7.0b1 --extra-index-url https://wheels.myhloli.com -i https://pypi.tuna.tsinghua.edu.cn/simple

从 Hugging Face 下载模型

使用Git LFS 从Hugging Face下载模型文件

git lfs install # 安装 Git 大文件存储插件 (Git LFS) git lfs clone https://huggingface.co/opendatalab/PDF-Extract-Kit # 从 Hugging Face 下载 PDF-Extract-Kit 模型

拷贝配置文件并进行配置

在仓库根目录可以获得 magic-pdf.template.json 配置模版文件

务必执行以下命令将配置文件拷贝到【用户目录】下，否则程序将无法运行

windows的用户目录为 “C:\Users\用户名”, linux用户目录为 “/home/用户名”, macOS用户目录为 “/Users/用户名”

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

在用户目录中找到magic-pdf.json文件并配置”models-dir”为2. 下载模型权重文件中下载的模型权重文件所在目录

务必正确配置模型权重文件所在目录的【绝对路径】，否则会因为找不到模型文件而导致程序无法运行

windows系统中此路径应包含盘符，且需把路径中所有的"\"替换为"/",否则会因为转义原因导致json文件语法错误。

例如：模型放在D盘根目录的models目录，则model-dir的值应为”D:/models”

{
  // other config
  "models-dir": "D:/models",
  "table-config": {
        "is_table_recog_enable": false, // 表格识别功能默认是关闭的，如果需要修改此处的值
        "max_time": 400
    }
}

如何使用

magic-pdf --help
Usage: magic-pdf [OPTIONS]

Options:
  -v, --version                display the version and exit
  -p, --path PATH              local pdf filepath or directory  [required]
  -o, --output-dir TEXT        output local directory
  -m, --method [ocr|txt|auto]  the method for parsing pdf.  
                               ocr: using ocr technique to extract information from pdf,
                               txt: suitable for the text-based pdf only and outperform ocr,
                               auto: automatically choose the best method for parsing pdf
                                  from ocr and txt.
                               without method specified, auto will be used by default. 
  --help                       Show this message and exit.


## show version
magic-pdf -v

## command line example
magic-pdf -p {some_pdf} -o {some_output_dir} -m auto

例如：magic-pdf -p /Users/cavon/Downloads/文件.pdf -o /Usersx/xxx/Downloads/批处理 -m auto

其中 {some_pdf} 可以是单个pdf文件，也可以是一个包含多个pdf文件的目录。 运行完命令后输出的结果会保存在{some_output_dir}目录下, 输出的文件列表如下：

├── some_pdf.md # markdown 文件
├── images # 存放图片目录
├── layout.pdf # layout 绘图
├── middle.json # minerU 中间处理结果
├── model.json # 模型推理结果
├── origin.pdf # 原 pdf 文件
└── spans.pdf # 最小粒度的bbox位置信息绘图