【免费下载】 MinerU项目命令行工具使用指南

MinerU项目提供了一个名为magic-pdf的强大命令行工具，用于从PDF、PPT、Word文档以及图片中提取结构化内容。本文将详细介绍该工具的各项功能和使用方法。

基本命令结构

magic-pdf命令的基本语法如下：

magic-pdf [OPTIONS]

主要参数详解

必需参数

1. 输入路径参数 (-p/--path)

   • 指定待处理的文件或目录路径
   • 支持的文件类型包括：PDF、PPT、PPTX、DOC、DOCX、PNG、JPG
   • 示例：-p /path/to/your/file.pdf

2. 输出目录参数 (-o/--output-dir)

   • 指定处理结果的保存目录
   • 示例：-o /path/to/output/directory

可选参数

1. 处理方法 (-m/--method)

   • 提供三种内容提取方法：
     • ocr：使用OCR技术从PDF中提取信息，适用于扫描版PDF
     • txt：仅适用于纯文本PDF，性能优于OCR
     • auto：自动选择最佳方法（默认值）

2. 语言设置 (-l/--lang)

   • 指定文档语言以提高OCR识别准确率
   • 支持多种语言，使用语言缩写（如"en"表示英语，"zh"表示中文）

3. 调试模式 (-d/--debug)

   • 启用详细调试信息
   • 示例：-d true

4. 页面范围控制

   • -s/--start：指定起始页码（从0开始）
   • -e/--end：指定结束页码（从0开始）

使用示例

1. 查看版本信息：

magic-pdf -v

2. 基本使用示例：

magic-pdf -p document.pdf -o output_dir -m auto

3. 处理特定页面范围：

magic-pdf -p document.pdf -o output_dir -s 5 -e 10

输出文件说明

处理完成后，输出目录将包含以下文件：

• 文件名.md：提取内容的Markdown格式文件
• images/：文档中提取的图片存储目录
• 文件名_layout.pdf：文档布局示意图
• 文件名_middle.json：MinerU中间处理结果
• 文件名_model.json：模型推理结果
• 文件名_origin.pdf：原始PDF文件副本
• 文件名_spans.pdf：最小粒度边界框位置信息图
• 文件名_content_list.json：按阅读顺序排列的富文本JSON

使用建议

1. 对于扫描版PDF或包含大量图片的文档，建议使用-m ocr参数
2. 对于纯文本PDF，使用-m txt可以获得更好的性能和准确性
3. 如果文档包含特定语言内容，使用-l参数指定语言可显著提高OCR识别率
4. 处理大型文档时，可以使用页面范围参数只处理需要的部分

注意事项

1. 确保输入文件具有以下扩展名之一：

   • .pdf, .png, .jpg
   • .ppt, .pptx, .doc, .docx

2. 输出目录需要有写入权限

3. 处理大型文档或高分辨率图片时，可能需要较多内存和较长的处理时间

通过掌握这些命令行参数的使用方法，您可以充分利用MinerU项目的文档处理能力，高效地从各种文档格式中提取结构化内容。