【Ragflow】19.RagflowPlus(v0.2.0)：完善MinerU解析/支持图文关联输出

概述

在此版本中，Ragflow-Plus进一步完善了MinerU解析器，并支持图文关联输出功能。

同时，对系统架构进行一些小调整，前台系统构建了单独的docker镜像。

Ragflow-Plus 开源地址：https://github.com/zstar1003/ragflow-plus

容器结构分析

目前，整个共9个容器，minio、mysql、es、redis为基础容器。

ragflowplus-server为前台系统，vllm-xxx为vllm框架下的编码/语言模型推理容器，ragflowplus-management-xxx为后台管理系统的前后端。

所有容器运行起来需占用至少12GB内存。

对于后台管理系统后端镜像，由于集成了MinerU的各种模型，并内置了安装了LibreOffice用于将office文件数据转换成Pdf，整体体积会较大，约6.14 GB。

Docker运行方式

对于docker部署的用户，可以参照以下方式进行部署：

1.克隆仓库源码

https://github.com/zstar1003/ragflow-plus.git

2.准备embedding和chat模型

参考上一篇文章内容，下载需要部署的模型，放在docker/models路径下：

同时对应修改docker-compose.yml文件，模型的volumes参数和文件夹名称对应，served-model-name和后面在前台系统配置时的名称进行对应。

command对应了一系列vllm框架的参数，比如模型精度、多卡配置等参数，可根据vllm文档描述进行修改填充。

3.启动容器

在项目根路径下，执行：

docker compose -f docker/docker-compose.yml up -d

所有容器正常运行后，

• 访问"服务器ip:80"，进入前台系统

• 访问"服务器ip:8888"，进入后台管理系统

新增功能简介

下面介绍本次发布版本的两个特色功能：完全体的MinerU解析和图像生成功能。

完全体的MinerU解析

1.概念界定

为什么叫完全体的MinerU解析？

之前的文章中写过用对接API的方式将MinerU解析的结果插入知识库，但这样并不是一个完整的解析策略。

因为并没有对文本块进行编码，这会导致模型在检索时，只用到关键词的匹配策略，而没有用到向量匹配，造成检索性能下降。

在此次更新中，进一步对文本块的内容进行编码，具体使用方式如下所述。

2.使用方式

1.配置管理员用户的模型参数

在后台管理系统中，默认第一个创建的用户为管理员用户。

也就是说，包含“上传文件”、“新建知识库”、“解析模型参数”都是以创建时间最早的用户作为主体的。

要解析文件，首先要在前台用管理员用户进行登录。

在模型提供商菜单中，选择vLLM模型：

配置embedding模型：

这里顺带可以把chat模型一块进行配置，尽管解析并不需要chat模型：

配置完成后，在系统模型设置中，设置添加的两个模型：

2.嵌入模型连接测试

前台配置完之后，进入到后台。

在知识库管理菜单中，点击嵌入模型配置，弹窗会自动补全在上一步中的填充信息，点击测试连接，可在解析前，测试嵌入模型是否能正常工作。

如果嵌入模型连接无误，可进入到下一步的文件解析。

3.文件解析过程

点击知识库的查看按钮，可在此界面将文件添加进单独的知识库。

对于每个添加进知识库的文件，可以进行单独的解析和移除。

点击解析，会出现单个文件的解析进度和运行情况。

当然，文件多时，一个个点太麻烦了。

因此，提供了一种懒人解手的批量解析方式。

点击批量解析按钮，系统会在当前知识库内，自动查找所有未解析的文件，执行批量解析。

不同于ragflow原生的多线程并发解析方式，这种批量解析会依次对每个文件进行处理，一个文件解析完成后，才轮到下一个文件。

因此，这种方式不会造成解析一半，卡住的情况。

不怕慢，只怕停。