Original en inglés: https://argusic.com/subject/mineru-html
MinerU-HTML
MinerU-HTML: Un extractor de contenido principal HTML impulsado por SLM que genera cuerpos HTML limpios. Perfecto para Deep Research Agents, aplicaciones RAG y generación de datos de entrenamiento.
Funciona con mocksfuente: GitHubsitio webPythonApache-2.0commit 73cf266690be
Python, licencia Apache-2.0. El proyecto se describe a sí mismo como: article extractor, corpus tools, nlp, rag, scraping, text extraction, trafilatura y web scraping.
MinerU-HTML funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 12 minutos y encontró 2 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
MinerU-HTML v1.1.2 package installs and imports correctly in a Python 3.12 venv; the full extraction pipeline runs to completion with a mock LLM backend, correctly filtering navigation/auxiliary elements from main content HTML; all 20 internal modules import cleanly; config validation, fallback handlers (trafilatura/bypass/empty), batch processing, and error handling all work.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 92 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- selectolax 1.0 removed the parser backend; from selectolax.parser import HTMLParser fails with ImportError2 minutos
- pydantic is imported in mineru_html/base.py but not listed in core.txt requirements; only available as transitive dependency of vllm/openai1 minuto
- Tiempo de instalación
- 12 minutos
- De máquina en frío a terminar
- 16 minutos
- Errores encontrados y corregidos
- 2 encontrados, 2 corregidos sin ayuda humana
- Cómo se demostró el resultado
- python -c script with MockInferenceBackend exercised the full pipeline: HTML simplification, prompt construction, LLM response parsing, main HTML extraction, and optional mineru_webkit conversion. The extractor correctly classified 'main' vs 'other' items and output filtered HTML containing only main content.
- Tokens de modelo usados
- 85.292
- Commit exacto probado
- 73cf266690be
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
- Comportamiento con servicios reales
- esta ejecución solo se verificó con servicios sustitutos
Ver la sesión
La ejecución completa, desde una máquina limpia, a la velocidad a la que ocurrió. No se ha cortado ni acelerado nada.
Una grabación del intento 1, ejecutado el , el intento que decidió el veredicto anterior. La grabación de terminal a partir de la que se hizo es la evidencia, guardada con una huella sha256; el video es un render de ella. No se carga nada del servicio de video hasta que pulses reproducir.
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
tokens used 85,292 The result has been reported successfully. Here's a summary of what was done: **Installation**: Created a Python 3.12 venv and installed all dependencies (transformers, vLLM, op… **Error 1 — selectolax 1.0 backend removed** (`selectolax.parser` → `selectolax.lexbor.LexborHTMLPa… - The repo imports `from selectolax.parser import HTMLParser` in `simplify_html.py` - selectolax 1.0 deprecated the Modest backend; only lexbor is available - **Fix**: changed the import to `from selectolax.lexbor import LexborHTMLParser as HTMLParser` —… **Error 2 — pydantic not listed in requirements/core.txt**: - `base.py` imports `pydantic.BaseModel`, but it's absent from all requirements files - Not a blocker because vLLM/openai pull it in transitively, but it should be listed. **Verification**: No unit tests exist in the repo, so I built a `MockInferenceBackend` and ran the …
Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Se instaló en 12 minutos.
- Se recuperó de los 2 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Licencia Apache-2.0, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Solo llegó a funcionar con servicios sustitutos, así que nada de lo que hay aquí demuestra que funcione con los reales.
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Funciona con mocks | 92,00 | 0,09 |
Temas (de GitHub)
article-extractorcorpus-toolsnlpragscrapingtext-extractiontrafilaturaweb-scrapingwebagent
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/mineru-html)Preguntas
- ¿Funciona MinerU-HTML?
- MinerU-HTML funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 12 minutos, con 2 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic MinerU-HTML?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 73cf266690be. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar MinerU-HTML?
- La ejecución que produjo este veredicto costó 0,09 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda MinerU-HTML en instalarse?
- 12 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita MinerU-HTML una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar MinerU-HTML?
- En la ejecución registrada fallaron 2 cosas, y 2 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Dónde está la evidencia de MinerU-HTML?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.