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

myhloli 9fe81795bc Create LICENSE.md hace 1 año
.github 85489f6c42 Update python-package.yml hace 1 año
app 789918dffb 重构目录结构 hace 1 año
demo d5dbed7325 目录重构 hace 1 año
magic_pdf f7a7206e08 目录重构 hace 1 año
others f7a7206e08 目录重构 hace 1 año
tests d5dbed7325 目录重构 hace 1 año
.gitignore 9446ae90b8 更新gitignore hace 1 año
LICENSE.md 9fe81795bc Create LICENSE.md hace 1 año
README.md c2e5c36f79 Initial commit hace 1 año
requirements.txt 33e2922ae6 更新依赖包配置和打包配置 hace 1 año
setup.py 044b7de34b 0.1.0 版本released hace 1 año

README.md

pdf_toolbox

pdf 解析基础函数

pdf是否是文字类型/扫描类型的区分

cat s3_pdf_path.example.pdf | parallel --colsep ' ' -j 10 "python pdf_meta_scan.py --s3-pdf-path {2} --s3-profile {1} >> {/}.jsonl"

find dir/to/jsonl/ -type f -name "*.jsonl" | parallel -j 10 "python pdf_classfy_by_type.py --json_file {} >> {/}.jsonl"

# 如果单独运行脚本,合并到code-clean之后需要运行,参考如下:
python -m pdf_meta_scan --s3-pdf-path "D:\pdf_files\内容排序测试_pdf\p3_图文混排 5.pdf" --s3-profile s2

pdf