安装

1.您需要 python 3.9+ 和 PyTorch。如果不使用 Mac 或 GPU 计算机，则可能需要先安装 CPU 版本的 torch。
注意：必须使用python3.10及以上的版本，搜先需要安装CUDA,CUDA须按照以下图片中的几个版本，再安装pytorch,安装pytorch的命令须根据如以下图片中的“pip3 install torch torchvision torchaudio”,具体安装命令根据系统和CUDA版本而定，有关更多详细信息，请参阅此处。

打开命令行，安装marker工具，安装方式：

pip install marker-pdf

2.OCRMyPDF

仅当想使用 optional 作为 ocr 后端时才需要。请注意，这包括 Ghostscript（一个 AGPL 依赖项），但通过 CLI 调用它，因此它不会触发许可证规定。ocrmypdfocrmypdf

请参阅此处的说明

Linux

• Run apt-get install ocrmypdf
• Install ghostscript > 9.55 by following these instructions or running scripts/install/ghostscript_install.sh.
• Run pip install ocrmypdf
• Install any tesseract language packages that you want (example apt-get install tesseract-ocr-eng)
• Set the tesseract data folder path
  • Find the tesseract data folder tessdata with find / -name tessdata. Make sure to use the one corresponding to the latest tesseract version if you have multiple.
  • Create a local.env file in the root marker folder with TESSDATA_PREFIX=/path/to/tessdata inside it

Mac

Only needed if using ocrmypdf as the ocr backend.

• Run brew install ocrmypdf
• Run brew install tesseract-lang to add language support
• Run pip install ocrmypdf
• Set the tesseract data folder path
  • Find the tesseract data folder tessdata with brew list tesseract
  • Create a local.env file in the root marker folder with TESSDATA_PREFIX=/path/to/tessdata inside it

Windows

• Install ocrmypdf and ghostscript by following these instructions
• Run pip install ocrmypdf
• Install any tesseract language packages you want
• Set the tesseract data folder path
  • Find the tesseract data folder tessdata with brew list tesseract
  • Create a local.env file in the root marker folder with TESSDATA_PREFIX=/path/to/tessdata inside it

用法

首先，一些配置：

• 检查中的设置。您可以使用环境变量覆盖任何设置。marker/settings.py
• 您的 torch device将被自动检测到，但您可以覆盖此设置。例如。TORCH_DEVICE=cuda（命令使用GPU运行）
• 默认情况下，marker 将用于 OCR。Surya 在 CPU 上速度较慢，但比 tesseract 更准确。它也不需要您在文档中指定语言。如果您想要更快的 OCR，请设置为 .这也需要外部依赖项（见上文）。如果您根本不需要 OCR，请设置为 .suryaOCR_ENGINEocrmypdfOCR_ENGINENone
• 某些 PDF，甚至是数字 PDF，其中的文本质量不佳。设置为在发现标记输出错误时强制使用 OCR。OCR_ALL_PAGES=true

至此，所有的配置完成。当第一次运行marker工具时，需要HuggingFace下载模型，HuggingFace网站属于外网，国内用户无法访问，可使用以下方法：

配置临时生效的设置

如果您只需要临时使用镜像地址，可以在当前终端会话中运行以下命令：

export HF_ENDPOINT="https://hf-mirror.com"

验证：您可以运行以下命令来查看环境变量是否生效：

echo $HF_ENDPOINT

注意：这种方式只在当前终端会话中有效，关闭会话后设置会消失。

转换单个文件

marker_single /path/to/file.pdf /path/to/output/folder --batch_multiplier 2 --max_pages 10

• --batch_multiplier是如果有额外的 VRAM 时将默认批量大小乘以多少。数字越高，需要的 VRAM 越多，但处理速度越快。默认情况下设置为 2。默认批处理大小将占用 ~3GB 的 VRAM。
• --max_pages是要处理的最大页数。省略此项可转换整个文档。
• --start_page是要从中开始的页面（默认为 None，将从第一页开始）。
• --langs是文档中语言的可选逗号分隔列表，用于 OCR。默认情况下是可选的，如果您使用 tesseract，则为必需。

surya OCR 支持的语言列表在这里。如果需要更多语言，可以使用 Tesseract 支持的任何语言（如果设置为 .如果您不需要 OCR，marker 可以使用任何语言。OCR_ENGINEocrmypdf

转换多个文件

marker /path/to/input/folder /path/to/output/folder --workers 4 --max 10

• --workers是一次要转换的 PDF 数量。默认情况下，此值设置为 1，但您可以增加此值以增加吞吐量，但代价是 CPU/GPU 使用率更高。Marker 在高峰期每个工作线程将使用 5GB 的 VRAM，平均使用 3.5GB。
• --max是要转换的最大 PDF 数。省略此项可转换文件夹中的所有 PDF。
• --min_length是在考虑处理 PDF 之前需要从 PDF 中提取的最小字符数。如果您正在处理大量 pdf，我建议设置此项以避免对主要是图像的 pdf 进行 OCR。（放慢一切）
• --metadata_file是 JSON 文件的可选路径，其中包含有关 PDF 的元数据。如果您提供它，它将用于设置每个 pdf 的语言。设置 language 对于 surya 是可选的（默认），但对于 tesseract 是必需的。格式为：

{

  "pdf1.pdf": {"languages": ["English"]},

  "pdf2.pdf": {"languages": ["Spanish", "Russian"]},

  ...

}

您可以使用语言名称或代码。确切的代码取决于 OCR 引擎。请参阅 此处 有关 surya 代码的完整列表，以及 此处 对于 tesseract。

用法可参考：GitHub - VikParuchuri/marker: Convert PDF to markdown quickly with high accuracy