墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
2k累计阅读
2.1k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
AI摘要
博客针对RAGFlow v0.19.0有部分PDF无法解析成功的问题进行解决。首先将文档切片方法中“建议文本块大小”数值调小，使部分PDF能成功解析；对于仍无法解析的，怀疑是内存不足，将docker/.env文件内的RAGFLOW_IMAGE变量改成使用v0.19.0 - slim以减少内存，重启后可成功解析。
ragflow版本为：v0.19.0
1.解析的时候报错：Internal server error while chunking: Coordinate lower is less than upper。
看报错怀疑是分片的问题，于是把文档的切片方法中的“建议文本块大小”数值（默认512）调小，比如300，发现有些原来不能解析的PDF文档能成功解析了。
2.但是还是有些PDF解析的时候报错如下图：
看报错怀疑是内存不足，实际查看了下CPU的使用情况，发现解析文档的时候CPU已经使用到了99%。但是我使用的启动容器命令是：docker compose -p ragflow -f docker-compose-gpu.yml up -d 。按理说应该使用GPU的，无解。于是想着怎么精简内存，考虑到我们的嵌入模型是自己部署的，于是决定不在使用v0.19.0版本， 遂将docker/.env 文件内的 RAGFLOW_IMAGE 变量改成使用v0.19.0-slim，这样可以减少使用的内存。
重启，发现能成功解析文档。
如果您有其他更好的解决方法，欢迎一起留言讨论。
RAGFlow本地部署遇阻：解析进度卡顿的排查与修复指南
本文针对RAGFlow本地部署中常见的文档解析进度卡顿问题，提供了详细的排查与修复指南。核心原因是模型下载网络受阻，解决方案是通过修改环境配置文件，将模型下载源切换至国内镜像站，从而快速解决解析停滞问题。
Ragflow文件解析失败/解析卡顿一解：把解析服务endpoint改到TaoToken
Ragflow文件解析卡顿常因模型endpoint超时重试，把解析服务endpoint改到TaoToken可稳定链路。本文给出Base URL、超时参数与task_executor配置片段，并附单文件到批量的成功率验证步骤。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end
知识库Dify和cherry无法解析影印pdf word解决方案
多格式转换：支持 PDF、图像、PPTX/DOCX/XLSX/HTML/EPUB → Markdown/JSON/HTML复杂内容提取：表格、公式、代码块、链接，支持图像保留与 OCR 修复，适配论文、金融文档等场景。可扩展优化：通过--use_llm调用 Gemini/Ollama 等模型提升准确率，支持自定义处理规则。
RagFlow上传文件解析时卡住、失败
解决方案：尝试通过增加 docker/.env 中的值来增加内存分配。原因：解析进程可能会因 RAM 不足而终止。
PDF 中图表的解析探究
PDF 中图表的解析探究
【Ragflow】19.RagflowPlus(v0.2.0)：完善MinerU解析/支持图文关联输出
全新功能上新
ragflow本地部署的问题（文本解析不了）
对于本地部署的ragflow出现的问题，进行的解决。
【Ragflow】11. 文件解析流程分析/批量解析实现
本文继续对ragflow文档解析部分进行分析，并通过脚本的方式实现对文件的批量上传解析。
RAGFlow v0.19图文混排：详细拆解+预处理增强案例
RAGFlow在5/26 正式更新了v0.19版本，其中有两点值得关注。首当其冲的是在 Agent 模块（也就是工作流）新增了代码执行组件，这个被吐槽了很久了 RAGFlow工作流编排功能，终于可以处理更加复杂的任务了。
GMSL2摄像头接入避坑指南：从FMC子卡配置到V4L2调用的完整流程（附Ubuntu20.04实测）
本文详细解析了GMSL2摄像头接入的全流程，从FMC子卡配置到V4L2调用的完整指南。基于XC7Z100平台实测经验，提供了硬件选型、带宽优化、Linux驱动配置及高分辨率采集的实战技巧，帮助开发者规避常见问题，提升系统稳定性与性能。
人工智能训练师技能等级认定四级技能考核试卷-样题1
本文为人工智能训练师四级技能考核试卷，包含六个实操考核项目，总分100分，考试时间150分钟。试卷涵盖数据处理、模型训练准备及系统维护等核心技能：1)垃圾分类数据集规范与处理（30分），要求评估数据格式并编写Python处理代码；2)学生成绩数据集分析（20分），涉及数据预处理、可视化及相关性分析；3)数据标注审核（10分），重点审核标注准确性；4)智能数据服务系统维护与优化（40分），包括安全帽数据集的项目创建、数据处理及平台协作。考核强调Python编程、数据处理平台操作及AI工作流程的实践能力。
RagFlow本地部署使用
开源RAGFlow引擎：打造无幻觉、高精度的文档理解与生成体验RAGflow，这个新兴的开源RAG（Retrieval-Augmented Generation）引擎，正以其独特的深度文档理解能力，为大型语言模型的应用带来了革命性的变革。在处理PDF文件时，我们经常面临提取干净数据的挑战，而RAGFlow的出现，恰恰解决了这一问题，它能够提供准确无误且无幻觉的生成结果。
AI Agent + 大数据 + RAG：电商用户行为分析的低成本落地
本文探讨了AIAgent与大数据技术在电商用户行为分析中的应用。通过构建"数据采集-实时分析-智能决策"的全自治链路，解决了传统大数据分析的三大痛点：人工建模周期长、实时性不足和决策闭环断裂。系统采用Flink+Spark处理实时数据，结合基于DeepSeek-V3.1的AIAgent实现智能分析，并通过飞书RAG模块动态获取业务知识。落地效果显示，分析响应时间从2-3天缩短至30秒，推荐转化率提升134%，验证了该方案在提升电商数据决策效率方面的显著价值。
MinerU 集成 RAGFlow 实战指南：在本地 RAGFlow 知识库启用 MinerU 作为默认 PDF 解析器
本文讲在本地 Docker Compose 部署的 RAGFlow 中装好 MinerU，并设为知识库默认 PDF 解析器。完成后，你的 RAGFlow 知识库将在知识摄取（Ingestion）阶段直接用 MinerU 把 PDF 解析为结构化 Markdown。全程约 20 分钟。 ## 先看清两边的角色：RAGFlow 负责消费，MinerU 负责解析 RAGFlow 是一款开源 RAG（
R语言基础之R语言入门
R语言最初是由新西兰奥克兰大学统计系的教授Ross Ihaka和Robert Gentleman在S语言基础上开发完成的。是一门解释性语言。在我看来R语言是一门数学性极强的语言，或者说这是一门为数学而生的语言，因为其具有极其出色的计算与统计分析能力...
四类九种移位寄存器总结（循环（左、右、双向）移位寄存器、逻辑和算术移位寄存器、串并转换移位寄存器、线性反馈移位寄存器LFSR|verilog代码|Testbench|仿真结果）
移位寄存器有哪些分类呢？ 按移位方向分类：①单向移位寄存器（包括左移、右移）②双向移位寄存器 按循环方式分类：①循环移位寄存器②非循环移位寄存器 按部位的不同分类：①逻辑移位寄存器②算术移位寄存器 按输入输出方式分类：①串入串出②串入并出③并入串出④并入并出
RagFlow-v0.18.0 新特性-2 文档布局识别过程中采用 VLM 模型作为处理流水线，从而实现对 PDF 中图像的深度分析
这里嵌入模型使用的是通过xinference 部署的embeding和Rerank 模型，因为部署简单，使用的资源也少，2G 显存就OK ，推荐有显卡资源的自己部署一下，后续专门写一篇。由于上面的PDF 超过了5M 导致silionflow.cn 报错了，(这里我还发现一个Bug.)我更换了PDF，当使用VL模型进行解析的时候。我到0.17.2版本去试了一下，发现的确用不了外部的VL 模型。最后成功解析出来结果，下面对比一下用VL 模型的解析结果和不用VL模型的区别。1.使用VL 模型进行解析的问答结果。
告别迷茫！手把手教你用Altova XMLSpy编写EtherCAT从站ESI文件（附避坑指南）
本文详细介绍了如何使用Altova XMLSpy高效编写EtherCAT从站ESI文件，涵盖核心架构、通信通道配置、过程数据映射等关键步骤，并提供了常见问题排查与性能优化建议。通过实战案例和避坑指南，帮助工程师快速掌握EtherCAT从站开发技巧，提升工作效率。
MinerU 接入 RAGFlow：把 MinerU 设为知识库默认 PDF 解析器实战指南
扫描件 PDF 丢进知识库，切出来的 chunk 要么乱码要么半页空白，检索命中率一塌糊涂。症结往往不在向量模型，而在解析这一步。MinerU 是文档解析引擎（PDF 转结构化 Markdown），RAGFlow 是开源 RAG 引擎；这篇笔记记录一套完整操作：Docker 部署 RAGFlow 后，在容器内装好 MinerU 并把它选为默认 PDF 解析器。 ## MinerU 在 RAGFl
瑞芯微RK3588部署YOLOv8模型
写下这篇博客进行记录，以防后面忘了怎么部署。
红米k60 修复“NV损坏” 去除主板校验电阻步骤解析与图示
红米k60 基带代码：mondrian。搭载高通骁龙8+ Gen1处理器.国外版本称：POCO F5 Pro适用于以下型号的小米机型：23013RK75C, 23013PC75G。 💝💝💝通过博文了解 1💝💝💝-----此机型修复NV损坏硬件类操作主板图示 2💝💝💝-----了解设备出现NV损坏的底层逻辑 3💝💝💝 ------具体修改步骤
RAGFlow 接入 MinerU 教程：4 个动作给本地知识库换上高级 PDF 解析器
RAGFlow 是开源 RAG 引擎，MinerU 是把 PDF 转成结构化 Markdown 的开源文档解析工具。本文用 Docker Compose 在 RAGFlow 容器内装好 MinerU，并把它设为知识库的默认 PDF 解析器，让 PDF 在摄取阶段直接产出结构化 Markdown，检索与问答质量随之提升。 ## RAGFlow 解析 PDF 时，你会卡在哪儿 默认解析链路对付普通
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
RAGFlow 配置 MinerU PDF 解析器：Docker 容器安装指南
你本地部署了 RAGFlow，但知识库上传复杂 PDF 后解析质量差、公式表格一塌糊涂。本文带你完成 MinerU RAGFlow 集成：在 RAGFlow 容器内隔离安装 MinerU 解析器，并把它设为知识库默认的 PDF 解析器，全程约二十分钟。 ## 效果速览 配置完成后，你在 RAGFlow 知识库中上传（或重新解析）的 PDF 会走 MinerU 解析链路：公式还原为 LaTeX、
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
ragflow v0.19.1全面升级：性能优化与新特性深度解析
经过实测验证，新版本在高并发场景下的内存消耗降低37%，文档处理吞吐量提升28%，特别是在多模态文档解析和跨语言检索方面实现了突破性进展。开发团队重点修复了高并发请求场景下的内存泄漏问题，通过重构任务调度算法，现在系统可稳定支持每秒200+的并发文档处理请求。针对Ollama组件引起的CPU占用过高问题，新版本引入了智能资源调控机制，使得整体CPU利用率下降45%。特别值得注意的是，文档切片算法现在支持位置信息保留，确保输出结果保持原始文档的语义连贯性。通过重构检索算法，现支持中英文混合查询的无缝处理。
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
MinerU 集成 RAGFlow 实战指南：为 RAG 知识库启用 MinerU 高级 PDF 解析器
本文围绕 MinerU 与开源 RAG 引擎 RAGFlow 的集成展开，完整覆盖本地 Docker 部署 RAGFlow、在容器内安装 MinerU 解析器、以及将 MinerU 设置为知识库默认 PDF 解析器的全部操作步骤。读完后，你可以为本地部署的 RAGFlow 知识库接入 MinerU 的高精度文档解析能力，让 PDF 文档在知识摄取（Ingestion）阶段直接输出结构化 Markd
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
341
扫一扫
