zhuchaowe/maxkb
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
88a04fda5a
maxkb/MINERU_INTEGRATION_REVIEW.md
朱潮 7c16c954e6
Some checks failed
sync2gitee / repo-sync (push) Has been cancelled
Details
Typos Check / Spell Check with Typos (push) Has been cancelled
Details
os error
2025-08-27 11:16:30 +08:00

5.3 KiB
Raw Blame History

一、已完成的集成工作

1. 核心功能集成 ✅

  • MinerU 代码完整复制到 MaxKB 项目 (/apps/common/handle/impl/mineru/)
  • 创建 MaxKB 适配器 (maxkb_adapter.py)
  • 实现分段处理器 (mineru_split_handle.py)
  • 注册到文档处理流程（最高优先级）

2. 模型调用改造 ✅

  • 创建 MaxKB 模型客户端 (maxkb_model_client.py)
  • 替换 litellm 调用为 MaxKB 模型调用
  • 支持 LLM 和 Vision Model 两种模型
  • 实现模型响应对象的兼容层

3. 前端集成 ✅

  • 添加 MinerU 文档类型选项
  • 实现模型选择器（LLM + Vision Model）
  • 集成模型列表动态加载
  • 使用 Pinia store 管理状态

4. 后端支持 ✅

  • 文档序列化器支持额外参数传递
  • 支持 MinerU 特定的模型参数
  • 处理器支持 kwargs 参数

5. 依赖处理 ✅

  • 移除 gptbase.settings 依赖
  • 移除 litellm 直接调用
  • 实现本地 ImageOptimizer
  • 实现本地 utils 功能

二、需要注意的问题和待优化项

1. 缺失的功能模块 ⚠️

a. 图片上传功能

# 当前在 maxkb_adapter.py 中是 TODO
# TODO: 实现图片上传逻辑
# uploaded_url = await upload_image(img_path, upload_options)

需要实现：集成 MaxKB 的文件存储系统用于图片上传

b. 追踪系统

# parallel_processor.py 中注释了
# from loader.trace import set_trace_id

建议：使用 MaxKB 的日志系统替代

c. 缓存系统

  • MinerU 原本有缓存机制，需要确认是否需要在 MaxKB 中实现
  • 当前使用临时目录，可能需要更持久的缓存策略

2. API 调用问题 ⚠️

a. MinerU API 客户端

# api_client.py 中的 MinerU API 调用
# 需要确认 MinerU API 服务是否可用

需要确认：

  • MinerU API 服务地址和认证
  • 是否需要自建 MinerU 服务
  • API 调用的超时和重试策略

b. 并行处理

# parallel_processor.py 和 parallel_processor_pool.py
# 使用了队列和线程池进行并行处理

需要测试：在 MaxKB 环境中的并发性能

3. 配置项检查 ⚠️

需要在 MaxKB 中添加的环境变量：

# MinerU API 配置
MINERU_API_KEY=xxx
MINERU_API_URL=https://mineru.net
MINERU_API_TYPE=cloud

# 处理配置
MAX_FILE_SIZE=52428800  # 50MB
LIBREOFFICE_PATH=libreoffice
CONVERSION_TIMEOUT=300

# 性能配置
MAX_CONCURRENT_UPLOADS=5
MAX_CONCURRENT_API_CALLS=3
MINERU_BATCH_PROCESSING=true
MINERU_BATCH_SIZE=20

4. 文件格式支持 ⚠️

当前支持的格式：

  • PDF ✅
  • PPT/PPTX ✅

需要确认的转换工具：

  • LibreOffice（PPT 转 PDF）- 需要系统安装
  • PyMuPDF (fitz) - 需要 pip 安装

5. 错误处理增强 🔧

建议添加的错误处理：

  1. 模型调用失败的降级策略
  2. MinerU API 不可用时的处理
  3. 文件转换失败的处理
  4. 大文件处理的内存管理

三、测试清单

1. 单元测试

  • MaxKB 模型客户端测试
  • MinerU 适配器测试
  • 文件格式检测测试
  • 图片处理测试

2. 集成测试

  • PDF 文档解析测试
  • PPT 文档解析测试
  • 大文件处理测试（>10MB）
  • 并发处理测试
  • 模型调用测试

3. 端到端测试

  • 完整的文档上传流程
  • 模型选择和切换
  • 解析结果的质量验证
  • 向量化存储验证

四、部署准备

1. 系统依赖

# 需要安装的系统包
apt-get install -y libreoffice
apt-get install -y python3-pip

# Python 依赖
pip install pymupdf
pip install pillow
pip install beautifulsoup4
pip install tiktoken

2. 性能优化建议

  1. 为 MinerU 处理设置独立的队列
  2. 实现文档处理的异步化
  3. 添加处理进度的实时反馈
  4. 实现智能的批处理策略

3. 监控指标

  • 文档处理时间
  • 模型调用次数和耗时
  • 内存使用情况
  • 错误率统计

五、下一步行动计划

优先级 1 - 必须完成

  1. 实现图片上传功能

    • 集成 MaxKB 文件存储
    • 实现图片 URL 管理

  2. 完善 MinerU API 配置

    • 确认 API 服务可用性
    • 配置认证和超时

  3. 添加基础错误处理

    • 模型调用失败处理
    • 文件处理异常捕获

优先级 2 - 建议完成

  1. 优化缓存机制

    • 实现持久化缓存
    • 添加缓存清理策略

  2. 增强日志记录

    • 添加详细的处理日志
    • 实现处理追踪

  3. 性能优化

    • 优化大文件处理
    • 改进并发策略

优先级 3 - 可选增强

  1. 添加更多文件格式支持
  2. 实现处理结果预览
  3. 添加处理统计和报告

六、风险和注意事项

  1. 许可证合规性：确保 MinerU 的使用符合许可要求
  2. 数据安全：确保文档处理过程中的数据安全
  3. 资源消耗：MinerU 处理可能消耗大量 CPU/内存
  4. API 限制：注意第三方 API 的调用限制
  5. 模型成本：Vision Model 调用可能产生较高成本

七、总结

MinerU 集成的核心功能已经完成，可以进行基础的文档解析。主要需要关注：

  1. 完善图片上传功能
  2. 确认 MinerU API 服务配置
  3. 进行完整的测试
  4. 优化性能和错误处理

建议先在测试环境中验证完整流程，确保稳定后再部署到生产环境。