bsq0418/mineru

MinerU Docker镜像指南

概述

本仓库构建了MinerU PDF智能工具包的Docker镜像。该镜像包含magic-pdf[full]及必要配置，可在容器内直接将PDF转换为Markdown、JSON等结构化格式。基于Arm优化的armswdev/pytorch-arm-neoverse基础镜像构建，适用于Apple Silicon、AWS Graviton及其他arm64主机。

关于MinerU的功能、算法组件和配置选项详情，请参考官方文档：

• MinerU GitHub: https://github.com/opendatalab/MinerU
• MinerU 用户指南: https://opendatalab.github.io/MinerU/

支持场景与限制

• 本镜像针对MinerU Pipeline版本，包含传统YOLO + OCR + 表格/公式模型，不提供官方项目最新的视觉语言（VLM） pipeline。
• 所有必要模型已预下载至/mineru/models，无需额外设置。
• 在arm64上启用NEON指令，即使在纯CPU环境下也能提供稳定吞吐量。
• 最适合Arm CPU部署（如Apple Silicon、AWS Graviton等），无需GPU依赖即可实现纯CPU加速。

镜像亮点

• 集成magic-pdf[full]、huggingface_hub及布局、OCR、公式、表格识别所需依赖。
• 包含即用型magic-pdf.json配置，容器可开箱即用。
• 安装libgl1确保OpenCV和PaddleOCR在无头环境中正常运行。
• 在/mineru/models缓存PDF Extract Kit和LayoutReader资源，针对Arm CPU/NEON优化，减少冷启动延迟。

快速开始

1. 拉取镜像

bash
docker pull docker.xuanyuan.run/<dockerhub-namespace>/mineru:<tag>

将<dockerhub-namespace>和<tag>替换为Docker Hub上发布的仓库和标签。

2. 启动带挂载工作区的容器

bash
docker run --name mineru-dev \
  -v $(pwd)/data:/workspace \
  -it docker.xuanyuan.run/<dockerhub-namespace>/mineru:<tag> /bin/bash

• $(pwd)/data用于存放待处理PDF和输出文件。
• 默认工作目录为/mineru；magic-pdf.json已复制到/root/和/home/ubuntu/。

3. 在容器内运行转换任务

bash
magic-pdf run \
  --config /root/magic-pdf.json \
  --input /workspace/input.pdf \
  --output /workspace/output_dir \
  --task pdf2md

• 根据需求将--task切换为pdf2json、pdf2html等，完整CLI参考请查阅官方文档。
• 如需处理单张图片，可参考本仓库中的picture_test.py示例脚本。

仓库布局

• Dockerfile: 镜像构建说明。
• magic-pdf.json: 默认配置，包含模型位置、OCR/表格/公式识别开关及可选LLM钩子。
• models/: 预存的MinerU/MoTao模型缓存。
• download_models_hf.py: 通过Hugging Face Hub刷新模型/配置的脚本。
• picture_test.py: 对单张图片运行布局+OCR的示例脚本。
• docker_start.sh: 将仓库根目录挂载到/app的示例启动脚本。

更新模型与配置

• 如需同步更新模型，在容器内运行python download_models_hf.py。该脚本使用huggingface_hub.snapshot_download并更新magic-pdf.json中的路径。
• 公式和表格识别默认启用，可通过修改/root/magic-pdf.json中对应部分禁用，或激活LLM辅助功能。
• 如需启用通义千问等LLM辅助功能，在配置中填写api_key和base_url字段，并将enable设为true。

FAQ

• 架构：仅适用于arm64架构。
• 模型大小：捆绑模型较大，拉取时需确保足够带宽和磁盘空间。
• 网络访问：如需重新下载资源，需允许容器访问Hugging Face Hub。
• GPU支持：本镜像针对CPU工作流。如需GPU/ACL加速，需按官方文档更换基础镜像并调整device-mode。

致谢

本镜像基于OpenDataLab社区的MinerU解决方案构建。感谢项目维护者和贡献者提供的提取管道和预训练资源。高级场景（如区域提取、批处理管道、生产部署）请参考MinerU官方文档。