Original em inglês: https://argusic.com/subject/mineru-html
MinerU-HTML
MinerU-HTML: um extrator de conteúdo principal de HTML alimentado por SLM que gera corpos HTML limpos. Perfeito para Deep Research Agents, aplicativos RAG e geração de dados de treinamento.
Executa com mocksfonte: GitHubpágina do projetoPythonApache-2.0commit 73cf266690be
Python, licença Apache-2.0. O projeto se descreve como: article extractor, corpus tools, nlp, rag, scraping, text extraction, trafilatura e web scraping.
MinerU-HTML executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 12 minutos e encontrou 2 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
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.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 92 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- 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
- Tempo de instalação
- 12 minutos
- Da máquina limpa até o fim
- 16 minutos
- Erros encontrados e corrigidos
- 2 encontrados, 2 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 73cf266690be
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
- Comportamento com serviços reais
- esta execução foi verificada apenas com serviços substitutos
Assista à sessão
A execução inteira, a partir de uma máquina limpa, na velocidade em que realmente aconteceu. Nada é cortado e nada é acelerado.
Uma gravação da tentativa 1, executada em , a tentativa que decidiu o veredito acima. A gravação do terminal da qual ele foi feito é a evidência, guardada com uma impressão digital sha256; o vídeo é uma renderização dela. Nada é carregado do serviço de vídeo até você apertar o play.
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
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 …
Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Instalado em 12 minutos.
- Recuperou-se de todos os 2 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Licença Apache-2.0, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Só chegou a um estado de execução com serviços substitutos, então nada aqui prova que ele funciona com os serviços reais.
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
| testado por | tentativa | resultado | pontuação | custo USD | quando |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Executa com mocks | 92,00 | 0,09 |
Tópicos (de GitHub)
article-extractorcorpus-toolsnlpragscrapingtext-extractiontrafilaturaweb-scrapingwebagent
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/mineru-html)Perguntas
- MinerU-HTML executa?
- MinerU-HTML executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 12 minutos, encontrando 2 erros no caminho, e gravou a sessão.
- Como a Argusic testou MinerU-HTML?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 73cf266690be. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar MinerU-HTML?
- A execução que produziu este veredito custou US$ 0,09: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar MinerU-HTML?
- 12 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- MinerU-HTML precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar MinerU-HTML?
- 2 coisas quebraram na execução registrada, e 2 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Onde estão as evidências de MinerU-HTML?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.