本地解析 SDK
核对入口:mineru/parser/__init__.py、mineru/parser/mineru_parser.py、mineru/backend/analyze.py。
公开入口
mineru.parser 导出 parse、parse_async、MinerUParser、MinerUApiParser、DocumentParser、
ParseResult、MIDDLE_JSON_SCHEMA_VERSION、ApiTaskStatus 和 ApiJobStatus。
ApiJobStatus 只是 ApiTaskStatus 的 Python 类型别名,不恢复 Jobs HTTP 接口。
parse() 和 parse_async() 接受同一组参数:
| 参数 | 默认值 | 说明 |
|---|---|---|
path |
必填 | 本地 str 或 Path |
tier |
standard |
flash/basic/standard/advanced;不接受 None 或 auto |
ocr_mode |
auto |
auto/txt/ocr |
image_analysis |
True |
图片分析开关 |
page_range |
空字符串 | PDF 页范围;空字符串表示全部 |
source_context |
None |
内部调用方保留 HTML 来源上下文 |
vlm_config |
None |
使用全局 VLM 配置;显式对象完整覆盖并复制 |
MinerUParser 构造参数为 tier/parse_mode/image_analysis/vlm_config,其中 parse_mode 对应便捷函数的 ocr_mode。
实例的 parse() / parse_async() 接收 path/page_range/source_context。
from mineru.parser import MinerUParser
from mineru.parser.writer import FileBasedDataWriter
with MinerUParser(tier="flash", parse_mode="txt") as parser:
result = parser.parse("report.pdf", page_range="1-3")
result.save(FileBasedDataWriter("output"))
路由与执行
本地路径读取后按文件类型进入 doc_analyze() / aio_doc_analyze()。
图片先转为 PDF;PDF 支持 页范围,非 PDF 输入的非空页范围报错。
原生 Office、HTML/MHTML、CSV/TSV、EPUB、OFD 由 DocVortex 解析并记录实际 Flash/txt 元数据。
直接 Python parser 的有效 tier 参数不改变这些原生路径;CLI 单文件对显式质量档位另有校验,见 档位边界。
Flash PDF 的 auto 会分类,txt 直接走原生解析,ocr 走 Flash OCR;不会在显式 txt 后追加 OCR 回退。
Basic/Standard/Advanced 的 effort 分别为 medium/high/xhigh。
DocumentParser 的默认异步实现在线程中调用同步方法,默认 batch 按输入顺序调用,异步 batch 使用 gather。
MinerUParser 覆盖异步方法并调用实际异步分析门面,不能将所有引擎概括为线程池实现。
close() 与上下文管理器属于 parser 生命周期;结果不依赖已关闭的源文档。
SDK 不使用 Doclib 数据库或缓存。导入公开包不启动服务或加载推理模型;实际执行按需加载。 远程 VLM 配置会把模型输入发往指定推理服务,它与使用 MinerUApiParser 上传整份源文件的 Tasks 接口不同。