Bản gốc tiếng Anh: https://argusic.com/subject/mineru-html

MinerU-HTML

MinerU-HTML: Một trình trích xuất nội dung chính HTML sử dụng SLM, xuất ra các phần thân HTML sạch. Hoàn hảo cho Deep Research Agents, ứng dụng RAG và tạo dữ liệu huấn luyện.

Chạy được với mocknguồn: GitHubtrang chủ dự ánPythonApache-2.0commit 73cf266690be

Python, giấy phép Apache-2.0. Dự án tự gắn nhãn: article extractor, corpus tools, nlp, rag, scraping, text extraction, trafilatura và web scraping.

MinerU-HTML chạy được, với dịch vụ giả lập thay cho các dịch vụ nó phụ thuộc. Trên một máy sạch không có GPU, một agent của Argusic đã cài đặt nó trong 12 phút, gặp 2 lỗi và tự sửa hết mà không cần trợ giúp, và toàn bộ phiên làm việc được ghi lại.

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.

Kết quả agent đạt được trên máy sạch, bằng chính lời của nó. Cách đo

Argusic đo trên một máy mới mỗi lần. Mỗi con số đều link tới bằng chứng của nó. Điểm Argusic 92 trên 100 (trung bình điểm các lần chạy của dự án này).

Tóm tắt

kết luận
Chạy được với mock
Điểm Argusic
92 / 100
chi phí của lần chạy kiểm chứng
0,09 USD (đo thực tế)
số lần chạy đã ghi
1
test gần nhất
lượt star
300
fork
28
issue đang mở
2
người theo dõi
5
dung lượng
3 MB
ngày tạo
push gần nhất

Dữ liệu dự án lấy từ GitHub, có link ở đầu trang, cập nhật . Dữ liệu test của Argusic (CC BY 4.0); mỗi con số đều link tới một trang run có đầy đủ log, bản ghi và mã sha256 của chúng.

Những gì đã đo

Lấy từ lần chạy quyết định kết luận này. Mỗi dòng là một giá trị được ghi lại, không phải ước tính.

Thời gian mất cho từng lỗi khi test MinerU-HTML, vẽ từ lần chạy được ghi lại
Mỗi cột là một lỗi agent đã ghi lại, kèm thời gian nó tốn. Vẽ từ lần chạy này, không lấy từ nguồn nào khác.

Những gì trục trặc, bằng chính lời của agent

Lời của chính agent, lỗi nặng nhất trước, không bao giờ viết lại thành lời khuyên.

  • selectolax 1.0 removed the parser backend; from selectolax.parser import HTMLParser fails with ImportError2 phút
  • pydantic is imported in mineru_html/base.py but not listed in core.txt requirements; only available as transitive dependency of vllm/openai1 phút
Thời gian cài đặt
12 phút
Từ máy sạch đến khi xong
16 phút
Lỗi gặp và đã sửa
gặp 2, tự sửa 2 mà không cần người giúp
Cách chứng minh kết quả
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.
Số token model đã dùng
85.292
Commit chính xác đã test
73cf266690be
Container image
sha256:cdd920bce783

Những gì chưa đo

Nửa còn lại, để bạn thấy rõ bằng chứng này đi xa tới đâu. Chỗ trống được ghi là chỗ trống và không bao giờ được lấp vào.

Bộ nhớ GPU cao nhất
lần này chạy trên máy CPU, nên không có GPU để đo
Hoạt động khi chạy lâu
mỗi lần thử dùng cấu hình nhỏ nhất có trong tài liệu và một khoảng thời gian cố định, nên đây là đo xem nó có chạy hay không, không đo nó chịu tải ra sao
Hoạt động với dịch vụ thật
lần chạy này chỉ được kiểm chứng với dịch vụ giả lập

Xem phiên làm việc

Toàn bộ lần chạy, từ máy sạch, đúng tốc độ thực tế. Không cắt và không tua nhanh đoạn nào.

Bản ghi của lần thử 1, chạy ngày , lần thử đã quyết định kết luận ở trên. Bản terminal recording dùng để làm video này là bằng chứng, được lưu với dấu vân tay sha256; video chỉ là bản dựng từ nó. Không có gì tải từ trang chứa video cho tới khi bạn bấm phát.

Đoạn cuối của bản ghi

Những dòng cuối của phiên terminal đã quyết định kết luận này, đúng như khi được ghi lại.

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 …

Xem lại toàn bộ phiên, mọi lệnh từ máy sạch tới thời điểm này.

Cách test

Một agent, một container, không có người giúp. Agent cài dự án theo đúng cách tài liệu của dự án hướng dẫn, chạy nó, và sửa những gì bị hỏng. Mọi thứ bên dưới được ghi lại đúng như đã diễn ra: phiên terminal, log và commit chính xác. Toàn bộ phương pháp.

Điểm mạnh và giới hạn

Dữ kiện đo được, không phải ý kiến. Cách viết nội dung.

Những gì suôn sẻ

  • Cài đặt trong 12 phút.
  • Tự khắc phục cả 2 lỗi mà không cần người can thiệp, cho thấy các lỗi được ghi trong tài liệu đủ rõ để giải quyết.
  • Giấy phép Apache-2.0, theo thông tin từ nơi lưu trữ dự án.

Những gì không suôn sẻ, hoặc chưa biết

  • Chỉ đạt trạng thái chạy được với dịch vụ giả lập, nên ở đây không có gì chứng minh nó chạy với dịch vụ thật.
  • Mới đo một lần. Một lần thử cho thấy nó có thể chạy, chưa cho thấy nó chạy ổn định.

Cũng đã test, cùng lĩnh vực

Mỗi dự án ở đây đều được Argusic cài đặt và chạy trên máy sạch. Không có dự án nào chưa test xuất hiện ở đây.

  • trafilatura đã kiểm chứng chạy được · Python · 7 chủ đề chung
  • fundus đã kiểm chứng chạy được · Python · 4 chủ đề chung
  • Scrapegraph-ai đã test, chưa kiểm chứng · Python · 3 chủ đề chung
  • agentql đã test, chưa kiểm chứng · Python · 3 chủ đề chung
  • extractor đã test, chưa kiểm chứng · TypeScript · 3 chủ đề chung
  • Scrapling đã kiểm chứng chạy được · Python · 2 chủ đề chung

Lịch sử chạy

test bởilần thửkết quảđiểmchi phí USDthời điểm
Argusic Runner1/3Chạy được với mock92,000,09

Chủ đề (từ GitHub)

article-extractorcorpus-toolsnlpragscrapingtext-extractiontrafilaturaweb-scrapingwebagent

Nhúng badge

Markdown cho README của dự án. Badge link về trang này; điều khoản ở trang điều khoản.

[![Tested by Argusic](https://argusic.com/badge/MinerU-HTML.svg)](https://argusic.com/subject/mineru-html)

Câu hỏi

MinerU-HTML có chạy được không?
MinerU-HTML chạy được, với mock thay cho các dịch vụ bên ngoài. Argusic đã cài đặt và khởi chạy nó trên một máy sạch trong 12 phút, gặp 2 lỗi trên đường đi, và ghi lại phiên làm việc.
Argusic đã test MinerU-HTML như thế nào?
Trên một máy mới, dùng một lần, mọi lệnh đều được ghi lại và repo được ghim ở commit 73cf266690be. Có một lần thử được ghi lại, và toàn bộ phương pháp nằm ở trang phương pháp.
Test MinerU-HTML tốn bao nhiêu?
Lần chạy đưa ra kết luận này tốn 0,09 USD: chi phí máy và model thật, không phải giá niêm yết theo triệu token. Con số được ghi trên trang của lần chạy đó.
Cài đặt MinerU-HTML mất bao lâu?
12 phút trong lần chạy quyết định kết luận này, từ máy sạch đến trạng thái chạy được. Đó là một lần thử đo được, không phải số trung bình.
MinerU-HTML có cần GPU không?
Không cần để khởi động. Argusic đã đạt trạng thái chạy được trên một máy không có GPU.
Cài đặt MinerU-HTML thì gặp lỗi gì?
2 lỗi xảy ra trong lần chạy được ghi lại, và 2 lỗi đã được sửa mà không cần người giúp. Từng lỗi, cùng thời gian nó tốn, được liệt kê trên trang này.
Bằng chứng cho MinerU-HTML ở đâu?
Lần chạy được ghi lại nằm trên trang này, mỗi lần link tới log đầy đủ và terminal recording, được lưu kèm dấu vân tay sha256 để không thể bị sửa lén.

Discussion