Original en anglais: https://argusic.com/subject/mineru-html
MinerU-HTML
MinerU-HTML: un extracteur de contenu principal HTML propulsé par SLM qui produit des corps HTML propres. Parfait pour les agents Deep Research, les applications RAG et la génération de données d'entraînement.
Fonctionne avec des mockssource : GitHubpage d'accueilPythonApache-2.0commit 73cf266690be
Python, sous licence Apache-2.0. Le projet se décrit ainsi : article extractor, corpus tools, nlp, rag, scraping, text extraction, trafilatura et web scraping.
MinerU-HTML fonctionne, avec des substituts pour les services dont il dépend. Un agent Argusic l'a installé en 12 minutes et a rencontré 2 erreurs, toutes corrigées sans aide sur une machine propre sans GPU, et toute la session a été enregistrée.
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.
Ce que l'agent a obtenu sur une machine propre, dans ses propres mots. Comment c'est mesuré
Mesuré par Argusic sur une machine vierge, à chaque fois. Chaque chiffre renvoie à ses preuves. Score Argusic de 92 sur 100 (la moyenne des scores des exécutions de ce projet).
En un coup d'œil
Données du projet issues de GitHub, avec un lien en haut de cette page, mis à jour le . Données de test d'Argusic (CC BY 4.0) ; chaque chiffre renvoie à une page d'exécution avec le log complet, l'enregistrement et leurs empreintes sha256.
Ce qui a été mesuré
Tiré de l'exécution qui a décidé ce verdict. Chaque ligne est une valeur enregistrée, pas une estimation.
Ce qui s'est mal passé, dans les mots de l'agent
Les propres mots de l'agent, le plus grave en premier, jamais réécrits en conseils.
- selectolax 1.0 removed the parser backend; from selectolax.parser import HTMLParser fails with ImportError2 minutes
- pydantic is imported in mineru_html/base.py but not listed in core.txt requirements; only available as transitive dependency of vllm/openai1 minute
- Temps d'installation
- 12 minutes
- De la machine vierge à la fin
- 16 minutes
- Erreurs rencontrées et corrigées
- 2 rencontrées, 2 corrigées sans aide humaine
- Comment le résultat a été prouvé
- 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 modèle utilisés
- 85 292
- Commit exact testé
- 73cf266690be
- Image de conteneur
- sha256:cdd920bce783
Ce qui n'a pas été mesuré
L'autre moitié, pour que vous voyiez exactement jusqu'où vont ces preuves. Une lacune est affichée comme une lacune et n'est jamais comblée.
- Pic de mémoire GPU
- cette exécution a eu lieu sur une machine CPU, il n'y avait donc pas de GPU à mesurer
- Comportement sur une longue durée
- chaque tentative utilise les réglages documentés les plus légers et un budget de temps fixe : on mesure donc s'il fonctionne, pas comment il tient sous la charge
- Comportement face aux vrais services
- cette exécution n'a été vérifiée qu'avec des services de substitution
Regarder la session
L'exécution complète, depuis une machine propre, à la vitesse réelle. Rien n'est coupé et rien n'est accéléré.
Un enregistrement de la tentative 1, exécutée le , la tentative qui a décidé le verdict ci-dessus. L'enregistrement du terminal dont elle est tirée constitue la preuve, conservée avec une empreinte sha256 ; la vidéo n'en est qu'un rendu. Rien n'est chargé depuis l'hébergeur de la vidéo tant que vous n'appuyez pas sur lecture.
La fin de l'enregistrement
Les dernières lignes de la session de terminal qui a décidé ce verdict, exactement telles qu'elles ont été enregistrées.
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 …
Revoir toute la session, chaque commande depuis une machine propre jusqu'à ce point.
Comment le test a été mené
Un agent, un conteneur, aucune aide humaine. Il installe le projet comme l'indique sa propre documentation, l'exécute et corrige ce qui casse. Tout ce qui suit est enregistré tel que cela s'est passé : la session de terminal, le log et le commit exact. La méthode complète.
Points forts et limites
Des faits mesurés, pas des opinions. Comment ce site est rédigé.
Ce qui s'est bien passé
- Installé en 12 minutes.
- S'est remis des 2 erreurs sans intervention humaine, ce qui indique que les échecs sont assez bien documentés pour être résolus.
- Sous licence Apache-2.0, selon son hébergeur.
Ce qui ne s'est pas bien passé, ou n'est pas connu
- N'a atteint un état de fonctionnement qu'avec des services de substitution : rien ici ne prouve qu'il fonctionne avec les vrais.
- Mesuré une seule fois jusqu'ici. Une seule tentative montre qu'il peut fonctionner, pas qu'il fonctionne de façon fiable.
Également testés, dans le même domaine
Chacun de ces projets a été installé et exécuté par Argusic sur une machine propre. Rien n'apparaît ici sans avoir été testé.
Historique des exécutions
| testé par | tentative | résultat | score | coût USD | date |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Fonctionne avec des mocks | 92,00 | 0,09 |
Sujets (depuis GitHub)
article-extractorcorpus-toolsnlpragscrapingtext-extractiontrafilaturaweb-scrapingwebagent
Intégrer le badge
Markdown pour le README du projet. Il renvoie vers cette page ; conditions sur la page des conditions.
[](https://argusic.com/subject/mineru-html)Questions
- MinerU-HTML fonctionne-t-il ?
- MinerU-HTML fonctionne, avec des mocks à la place des services externes. Argusic l'a installé et lancé sur une machine propre en 12 minutes, en rencontrant 2 erreurs en route, et a enregistré la session.
- Comment Argusic a-t-il testé MinerU-HTML ?
- Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit 73cf266690be. Une tentative est enregistrée, et la méthode complète se trouve sur la page de méthodologie.
- Combien a coûté le test de MinerU-HTML ?
- L'exécution qui a produit ce verdict a coûté 0,09 USD : le coût réel du calcul et du modèle, pas un prix catalogue par million de tokens. Il est enregistré sur la page de cette exécution.
- Combien de temps faut-il pour installer MinerU-HTML ?
- 12 minutes lors de l'exécution qui a décidé ce verdict, d'une machine propre à un état de fonctionnement. Il s'agit d'une tentative mesurée, pas d'une moyenne.
- MinerU-HTML a-t-il besoin d'un GPU ?
- Pas pour démarrer. Argusic a atteint un état de fonctionnement sur une machine sans GPU.
- Qu'est-ce qui pose problème lors de l'installation de MinerU-HTML ?
- 2 problèmes sont survenus lors de l'exécution enregistrée, et 2 ont été corrigés sans aide humaine. Chacun, avec le temps qu'il a coûté, est listé sur cette page.
- Où sont les preuves pour MinerU-HTML ?
- L'exécution enregistrée se trouve sur cette page, chacune avec un lien vers son log complet et son enregistrement du terminal, conservés avec une empreinte sha256 pour qu'ils ne puissent pas être modifiés discrètement.