英語の原文: https://argusic.com/subject/mineru-html
MinerU-HTML
MinerU-HTML は、SLM を活用して HTML のメインコンテンツを抽出し、クリーンな HTML 本文を出力するツールです。Deep Research エージェント、RAG アプリケーション、トレーニングデータ生成に最適です。
モックで動作するソース: GitHubホームページPythonApache-2.0コミット 73cf266690be
Python、Apache-2.0 ライセンス. プロジェクト自身の表記: article extractor、corpus tools、nlp、rag、scraping、text extraction、trafilatura、web scraping.
MinerU-HTML は、依存するサービスを代わりのものに置き換えたうえで動作します。Argusic のエージェントが GPU のないクリーンなマシンで 12 分でインストールし、2 件のエラーに遭遇してすべてを自力で修正し、セッション全体が記録されました。
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.
クリーンなマシンでエージェントが最終的に得た結果 (エージェント自身の言葉)。 計測方法
Argusic が毎回新しいマシンで計測しています。 すべての数値はその証拠にリンクしています。 Argusic スコア 100 点中 92 点 (このプロジェクトの実行スコアの平均)。
概要
プロジェクトのデータは GitHub から取得 (このページの冒頭にリンクあり)、更新日 。テストデータは Argusic によるもので (CC BY 4.0)、すべての数値は、完全なログ、録画、それらの sha256 ハッシュを含む実行ページにリンクしています。
計測した内容
この判定を決めた実行から取得しています。 各行は記録された値であり、推定値ではありません。
うまくいかなかった点 (エージェント自身の言葉)
エージェント自身の言葉を、深刻なものから順に掲載しています。助言に書き換えることはありません。
- selectolax 1.0 removed the parser backend; from selectolax.parser import HTMLParser fails with ImportError2 分
- pydantic is imported in mineru_html/base.py but not listed in core.txt requirements; only available as transitive dependency of vllm/openai1 分
- インストール時間
- 12 分
- クリーンなマシンから完了まで
- 16 分
- 遭遇したエラーと修正したエラー
- 2 件に遭遇、2 件を人の手を借りずに修正
- 結果の証明方法
- 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.
- 使用したモデルのトークン
- 85,292
- テストした正確なコミット
- 73cf266690be
- コンテナイメージ
- sha256:cdd920bce783
計測していない内容
残りの半分です。この証拠がどこまでを示すのかを正確に確認できます。欠けている部分は欠けているものとして表示し、埋めることはありません。
- GPU メモリのピーク
- CPU マシンで実行したため、サンプリングする GPU がありませんでした
- 長時間の実行での振る舞い
- 各試行はドキュメントにある最小の設定と決まった時間予算を使うため、計測しているのは動作するかどうかであり、負荷のもとでどう持ちこたえるかではありません
- 実際のサービスに対する振る舞い
- この実行は代わりのサービスに対してのみ検証されました
セッションを見る
クリーンなマシンから始まる実行の全体を、実際の速度で再生します。カットも早送りもしていません。
試行 1 の録画、実行日 。上の判定を決めた試行です。 この動画の元になったターミナル録画が証拠であり、sha256 フィンガープリントとともに保存されています。動画はそこからレンダリングしたものです。 再生ボタンを押すまで、動画ホストからは何も読み込まれません。
録画の最後
この判定を決めたターミナルセッションの最後の行を、記録されたとおりに表示しています。
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 …
セッション全体を再生 (クリーンなマシンからこの時点までのすべてのコマンド)。
テスト方法
1 つのエージェント、1 つのコンテナで、人の手は借りません。エージェントはプロジェクト自身のドキュメントに書かれた方法でインストールし、実行し、壊れた部分を修正します。以下はすべて、実際に起きたとおりに記録されています: ターミナルセッション、ログ、そして正確なコミットです。 評価方法の全文.
強みと限界
意見ではなく、計測された事実です。コンテンツの作成方法.
うまくいった点
- 12 分でインストールできました。
- 2 件のエラーすべてから、人の介入なしに回復しました。失敗が解決できる程度にはドキュメント化されていることを示しています。
- ホストの報告によると、ライセンスは Apache-2.0 です。
うまくいかなかった点、または不明な点
- 代わりのサービスに対してのみ実行状態に達したため、実際のサービスで動作することはここでは証明されていません。
- これまでの計測は 1 回です。1 回の試行は動作し得ることを示すだけで、安定して動作することは示しません。
同じ分野でテストしたプロジェクト
ここに挙げたものはすべて、Argusic がクリーンなマシンにインストールして実行しました。テストしていないものは表示されません。
実行履歴
トピック (出典: GitHub)
article-extractorcorpus-toolsnlpragscrapingtext-extractiontrafilaturaweb-scrapingwebagent
バッジを埋め込む
プロジェクトの README に貼る Markdown です。バッジはこのページにリンクします。利用条件: 利用規約ページ.
[](https://argusic.com/subject/mineru-html)質問
- MinerU-HTML は動作しますか?
- MinerU-HTML は、外部サービスの代わりにモックを使って動作します. Argusic はクリーンなマシンで 12 分でインストールして起動し、途中で 2 件のエラーに遭遇し、セッションを記録しました。
- Argusic は MinerU-HTML をどのようにテストしましたか?
- 新しい使い捨てのマシンで、すべてのコマンドを記録しながらテストしました (リポジトリはコミット 73cf266690be に固定)。記録された試行は 1 回で、手順の全体は評価方法のページに掲載しています。
- MinerU-HTML のテストにはいくらかかりましたか?
- この判定を出した実行のコストは 0.09 USD です: 100 万トークンあたりの定価ではなく、実際の計算資源とモデルのコストです。その実行のページに記録されています。
- MinerU-HTML のインストールにはどのくらい時間がかかりますか?
- この判定を決めた実行では、クリーンなマシンから実行状態まで 12 分でした。これは 1 回の計測された試行であり、平均ではありません。
- MinerU-HTML には GPU が必要ですか?
- 起動には必要ありません。Argusic は GPU のないマシンで実行状態に達しました。
- MinerU-HTML のインストールでは何がうまくいきませんか?
- 記録された実行では 2 件の問題が発生しました。そのうち 2 件は人の手を借りずに修正されました。それぞれの問題と、かかった時間をこのページに掲載しています。
- MinerU-HTML の証拠はどこにありますか?
- 記録された実行をこのページに掲載しており、それぞれが完全なログとターミナル録画にリンクしています。録画は sha256 フィンガープリントとともに保存されているため、こっそり改変することはできません。