MinerU локально: разобрать PDF и проверить таблицу

Какой MinerU нужен для PDF, скана и таблицы?

MinerU 4.0 предлагает четыре качества обработки: flash, basic, standard, advanced. flash полезен для быстрого извлечения существующего текстового слоя, basic подключает малые модели для OCR, формул и таблиц, standard — малые модели и визуально-языковую модель (VLM); advanced требует большего объёма вычислений на том же классе моделей s2. Это не рейтинги качества вашей таблицы: ответ определяет тест на собственном документе.

Для цифрового PDF с выделяемым текстом начните с flash --ocr-mode txt; это не распознаёт страницу, если текст в файле только изображение. Для скана используйте OCR-режим и заранее подготовьте соответствующие модели. Если важна структура сложной таблицы, сравните Basic и Standard на одной странице, не меняя исходник между попытками s1s2.

Есть два разных интерфейса. mineru-kit parse преобразует файл без библиотеки документов и по умолчанию берёт все страницы PDF; mineru parse ведёт локальную библиотеку, кэш и поиск и по умолчанию начинает с первых десяти страниц PDF. Если скрипт выгрузил только часть договора, сначала проверьте команду и диапазон страниц, а не объявляйте ошибкой OCR s1s3.

Как подготовить локальный запуск?

Документация 4.0 указывает Python >=3.10,<3.15 и показывает Python 3.12 как практичный старт; дополнительные движки и драйверы совместимы не со всеми версиями Python из этого диапазона s1. В отдельном окружении Python 3.12 установите python -m pip install -U "mineru>=4.0,<5". Это команда по первоисточнику, а не протокол установки Modelium. При первом модельном запуске веса могут скачиваться из сети s1.

Базовый пакет включает ONNX для малых моделей и llama.cpp для локальной VLM; дополнительные mineru[torch] и mineru[full] нужны для соответствующих ускоренных сценариев, но не превращают любой GPU в поддерживаемый s1s8. На CPU возможен Basic, а скорость и память Standard зависят от VLM, размера документа и параллельности; минимальные RAM/VRAM нельзя вывести из размера файла весов или тестовой конфигурации автора s2. Документация по ранее адаптированным AMD и другим ускорителям явно ограничена MinerU <4; не переносите её команды на 4.0 автоматически s7.

Сначала выполните mineru-kit models show: он покажет выбранные small backend, VLM engine и готовность моделей, но не запускает инференс, а отсутствие моделей может не менять код завершения. Для строгой проверки локальных файлов используйте mineru-kit models verify --tier standard и затем реальный тестовый PDF s1s4. Если готовите закрытый контур, на подготовительном компьютере документированы mineru-kit models download --tier standard --source huggingface и mineru-kit models verify --tier standard; источник local следует выбирать после переноса и проверки моделей. Одно слово «локально» не гарантирует отсутствия сетевых обращений при первой загрузке s4.

Как извлечь и проверить таблицу на одном PDF?

1. Возьмите небольшой обезличенный PDF с таблицей, где вы заранее знаете число строк, артикул и итоговую сумму. Сохраните исходник и ручной эталон отдельно от результата; не загружайте клиентский документ на внешний сервис ради теста.
2. Для текстового слоя выполните mineru-kit parse sample.pdf -o sample-flash.md --tier flash --ocr-mode txt. Такой режим не делает OCR скана; если в результате отсутствует текст изображения, это ожидаемое ограничение режима s1.
3. Для распознавания и таблиц запустите mineru-kit parse sample.pdf -o sample-basic.md --tier basic, а если требуется сравнение сложной разметки — mineru-kit parse sample.pdf -o sample-standard.md --tier standard. Документация подтверждает выбор tiers и запись Markdown для одиночного файла; это предлагаемая последовательность проверки, а не гарантия качества любой таблицы s1s2.
4. Сверьте по оригиналу заголовки столбцов, порядок строк, переносы и объединённые ячейки, артикулы, суммы и единицы. Зафиксируйте ошибки как «пропущенная строка», «сдвиг ячейки», «неверная цифра» или «потеря структуры». Если результаты Basic и Standard различаются, выбирайте по пригодности к вашей задаче, а не по названию tier.

Markdown-файл удобен для просмотра, но не обещает готовую таблицу для автоматической загрузки в 1С. Если нужна структурированная машинная обработка, mineru-kit parse поддерживает middle_json и zip; не путайте их с флагом mineru parse --json, который возвращает JSON ответа команды с содержимым и локаторами, а не MiddleJson документа s5. Для многостраничного ввода mineru-kit берёт все страницы по умолчанию; для библиотечного mineru parse передавайте --pages all и при экспорте -o, чтобы записать полный результат выбранных страниц s3.

Какие ограничения проверить до внедрения?

Не считайте файл Markdown доказательством корректности счёта. При скане отдельно проверяйте полноту OCR и сопоставление каждого поля с изображением; при цифровом PDF — порядок чтения и табличную структуру. Собственного прогона MinerU, измерения скорости, минимальной памяти и качества на русской первичке у Modelium нет. Сценарий документов для 1С отделяет извлечение от ручного подтверждения реквизитов; гайд офлайн-проверки помогает проверить именно сетевой контур.

Текст лицензии MinerU содержит Apache 2.0 с дополнительными условиями: при превышении прописанных порогов MAU или месячной выручки для коммерческого применения требуется отдельная лицензия, а при онлайн-сервисе для третьих лиц — указание использования MinerU. Перед коммерческим развёртыванием читайте закреплённый LICENSE и условия зависимостей/весов; это изложение первичного текста, не юридическое заключение s6. Для сравнения Docling предлагает иной стек PDF, а PaddleOCR-VL — иной pipeline обработки скана; сравнивайте на одном и том же обезличенном документе.

Следующий шаг: извлеките одну таблицу в Markdown и вручную сверяйте строки и цифры с оригиналом. При неудовлетворительном результате откройте сравнение OCR-подходов и повторите тот же тест; до этой проверки автоматическую запись чисел в учётную систему не включайте.