在Windows上安裝標記器

項目地址：https://github.com/VikParuchuri/marker

官方介紹說，Marker 將 PDF、EPUB 和 MOBI 轉換為 markdown 文檔，且比 nougat 快 10 倍。

官方只提供 linux 和 mac 的安裝方式，參考在 windows 上安裝成功。

下面是安裝步驟：

1、安裝 Visual Studio 2022
2、安裝 NVIDIA CUDA
3、安裝 PyTorch

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

4、安裝 wheel

pip install wheel

5、安裝 detectron2，需要本地安裝，報錯參考：#issuecomment-651560907

步驟如下：

git clone https://github.com/facebookresearch/detectron2.git
cd detectron2/

#管理員權限運行cmd
python setup.py install

修改detectron2\layers\csrc\nms_rotated\nms_rotated_cuda.cu文件的內容為下述內容

// Copyright (c) Facebook, Inc. and its affiliates.
#include <ATen/ATen.h>
#include <ATen/cuda/CUDAContext.h>
#include <c10/cuda/CUDAGuard.h>
#include <ATen/cuda/CUDAApplyUtils.cuh>
/*#ifdef WITH_CUDA
#include "../box_iou_rotated/box_iou_rotated_utils.h"
#endif
// TODO avoid this when pytorch supports "same directory" hipification
#ifdef WITH_HIP
#include "box_iou_rotated/box_iou_rotated_utils.h"
#endif*/
#include "box_iou_rotated/box_iou_rotated_utils.h"

修改後運行如下命令即可

python setup.py install

6、繼續安裝 Windows 版本的 Tesseract 和 Ghostscript

Tesseract：

tesseract-ocr-w64-setup-5.3.3.20231005.exe

Ghostscript：

gs10021w64.exe

7、安裝 VikParuchuri/marker

git clone https://github.com/VikParuchuri/marker.git

從 VikParuchuri/marker/requirements.txt 中刪除 detectron2，並使用上述步驟手動安裝它（也就是第五步，如果安裝了這裡可以跳過，所以就移除 detectron2 依賴）

安裝其他沒裝的依賴

pip install -r requirements.txt
pip install ftfy
pip install spellchecker
pip install pyspellchecker
pip install ocrmypdf
pip install nltk
pip install thefuzz
pip uninstall python-magic
pip install python-magic-bin
pip install ray==2.7.1

8、安裝 nougat

#下述方法會報錯
pip install nougat-ocr

#通過這種方式安裝
pip install git+https://github.com/facebookresearch/nougat

運行python convert_single.py "Vim 101 Hacks.pdf" vim.md --parallel_factor 5報錯：

1、報錯如下：

python convert_single.py "Vim 101 Hacks.pdf" vim.md --parallel_factor 5
Special tokens have been added in the vocabulary, make sure the associated word embeddings are fine-tuned or trained.
C:\Users\lca\AppData\Roaming\Python\Python311\site-packages\torch\functional.py:504: UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument. (Triggered internally at ..\aten\src\ATen\native\TensorShape.cpp:3527.)
  return _VF.meshgrid(tensors, **kwargs)  # type: ignore[attr-defined]

處理此報錯信息：

找到這個文件C:\Users\lca\AppData\Roaming\Python\Python311\site-packages\torch\functional.py，修改return _VF.meshgrid(tensors, **kwargs)為return _VF.meshgrid(tensors, **kwargs, indexing = 'ij')。即可。

參考：marker
參考：issues