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

赵小蒙 f99149b8dd 重构目录结构 há 1 ano atrás
.github 6f5111cced Update python-package.yml há 1 ano atrás
app 789918dffb 重构目录结构 há 1 ano atrás
demo f99149b8dd 重构目录结构 há 1 ano atrás
othoers f99149b8dd 重构目录结构 há 1 ano atrás
pdf_tools f99149b8dd 重构目录结构 há 1 ano atrás
tests f99149b8dd 重构目录结构 há 1 ano atrás
.gitignore f99149b8dd 重构目录结构 há 1 ano atrás
README.md c2e5c36f79 Initial commit há 1 ano atrás
requirements.txt 3ed288b60c 更新依赖 há 1 ano atrás
setup.py 9e7f7550de 配置打包参数 há 1 ano atrás

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