MinerU-API | 支持多格式解析，进一步提升Dify文档能力

sudo apt updatesudo apt install libreoffice

pip install pywin32

pip install img2pdf

## mineru 官方已经写了linux版本读取office的api，直接使用就好了def convert_file_to_pdf(input_path, output_dir):    if not os.path.isfile(input_path):        raise FileNotFoundError(f"The input file {input_path} does not exist.")     os.makedirs(output_dir, exist_ok=True)        cmd = [        'soffice',        '--headless',        '--convert-to', 'pdf',        '--outdir', str(output_dir),        str(input_path)    ]        process = subprocess.run(cmd, stdout=subprocess.PIPE, stderr=subprocess.PIPE)        if process.returncode != 0:        raise ConvertToPdfError(process.stderr.decode()) from magic_pdf.utils.office_to_pdf import convert_file_to_pdf as convert_office_file_to_pdf_linux

def convert_image_to_pdf(input_path, output_folder):    ''' 将图片转换成pdf '''    import img2pdf     pic_name, _ = os.path.splitext(input_path)    output_path = os.path.join(output_folder, f"{pic_name}.pdf")     os.makedirs(output_folder, exist_ok=True)    with open(output_path, "wb") as f:        f.write(img2pdf.convert(input_path))

def init_writers(    file_path: str = None,    output_path: str = None,    output_image_path: str = None,) -> Tuple[    Union[S3DataWriter, FileBasedDataWriter],    Union[S3DataWriter, FileBasedDataWriter],    bytes,]:    """    """     writer = FileBasedDataWriter(output_path)    image_writer = FileBasedDataWriter(output_image_path)    os.makedirs(output_image_path, exist_ok=True)    reader = FileBasedDataReader()    file_bytes = reader.read(file_path)    return writer, image_writer, file_bytes

## 解析上传的文档名称和文档类型file_name, ext = os.path.splitext(upload_file.filename)ext = ext.lower() ## 判断文件类型是否符合要求if ext not in ['.pdf', '.docx', '.doc', '.ppt', '.pptx', '.png', '.jpg', '.jpeg']:    return JSONResponse(        content={"error": f"unsupport file type:{ext}"},        status_code=400,    ) ## 创建临时文件夹，保存上传文档temp_dir = tempfile.mkdtemp()temp_file_path = await save_file_to_local(upload_file, temp_dir) ## 如果是office格式的文档，则转换成pdfprocess_file_name = temp_file_pathplat = platform.system()if ext in [ '.docx', '.doc', '.ppt', '.pptx']:    if plat == "Windows":        convert_office_file_to_pdf_windows(temp_file_path, temp_dir)    else:        convert_office_file_to_pdf_linux(temp_file_path, temp_dir)     process_file_name = os.path.join(temp_dir, f"{file_name}.pdf") elif ext in ['.png', '.jpg', '.jpeg']:    convert_image_to_pdf(temp_file_path, temp_dir)    process_file_name = os.path.join(temp_dir, f"{file_name}.pdf")

FROM mineru-api:v0.1 WORKDIR /app ## 安装python环境RUN python -m venv /app/venv && \    . /app/venv/bin/activate && \    pip install img2pdf -i https://mirrors.aliyun.com/pypi/simple/ ## 安装sofficeRUN sed -i 's@deb.debian.org@mirrors.aliyun.com@g' /etc/apt/sources.list.d/debian.sourcesRUN apt-get update && \    apt-get install -y --no-install-recommends libreoffice && \    apt-get clean && \    rm -rf /var/lib/apt/lists/*

docker build -t mineru-api:v0.3 .

docker run -d --gpus all -p 10086:8000 --ipc=host --name mineru-api-v3 -v minerupaddleocr:/root/.paddleocr mineru-api:v0.3