[学術ドメイン] - PDFからのテキスト抽出作業環境の動作検証

[tkana-nii]

Overview

J-STAGE論文PDFから本文テキストを抽出する作業環境の動作検証

Details

PDFからOCR処理で本文テキストを抽出する処理を予定しており、解析に用いるllmc-ocrをmdx環境で稼働するように調整する。

Resources

• 計算機
  • クラスタ: llm-jp-nvlink
  • ノード種別: llm-jp-nvlink
  • ノード台数: 1
• コード
  • リポジトリ:
  • コミット:
• 入力データ:
  • (入力の与え方も調査)
• 出力データ:
  • 保存先: {cluster}:/data/experiments/{number}
  • データ内訳:
    • xml & plain text: <1GB （バッファ容量を含む）
• 開始日: 2025-07-22 asap
• 終了予定日: 2025-07-28 （バッファ期間を含む）