cas-bigdatalab 功能概述
该算子通过远程调用MinerU API，对本地文件进行智能解析，提取文件中的文本内容、公式、图片等信息，最终将解析结果打包为ZIP压缩包返回。
支持的文件类型
- PDF文件（.pdf）
- Word文档（.doc, .docx）
- PowerPoint演示文稿（.ppt, .pptx）
- Excel表格（.xls, .xlsx）
- 图片文件（.jpg, .jpeg, .png, .bmp, .gif等）
核心参数
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| file_path | string | 是 | - | 本地文件路径 |
| output_zip | string | 是 | - | 输出ZIP压缩包路径 |
| model_version | string | 否 | vlm | 模型版本 |
| poll_interval | int | 否 | 5 | 轮询间隔（秒） |
| timeout | int | 否 | 1800 | 超时时间（秒） |
使用示例
命令行调用
# 基础用法
python scripts/run_mineru_file_parse.py \
--file_path /path/to/input.pdf \
--output_zip /path/to/output.zip
# 指定模型版本和轮询参数
python scripts/run_mineru_file_parse.py \
--file_path /path/to/input.docx \
--output_zip /path/to/output.zip \
--model_version vlm \
--poll_interval 10 \
--timeout 3600
参数说明
--file_path: 需要解析的本地文件路径--output_zip: 解析结果ZIP压缩包的输出路径--model_version: 选择使用的模型版本，默认vlm--poll_interval: 查询解析状态的间隔时间，默认5秒--timeout: 解析任务的最大等待时间，默认30分钟
输出内容
解析完成后，输出的ZIP压缩包包含：
- 文件文本内容提取结果
- 公式识别结果
- 图片提取结果
- 解析元数据信息
注意事项
- 需要有效的MinerU API密钥才能使用(系统内配置)
- 网络连接必须正常，能够访问MinerU服务
- 大文件解析可能需要较长时间，请适当调整timeout参数
- 支持的文件大小受MinerU服务限制
- 输出目录不存在时会自动创建