MinerUSpan格式

概述

MinerUSpan是MinerU将PyMuPDF原始Span数据转换后的内部数据格式，统一了坐标系统、字体属性解析和初步类型标注，是贯穿整个解析流水线的核心数据单元。

关键内容

数据结构定义

@dataclass
class MinerUSpan:
    bbox: Tuple[float, float, float, float]  # (x0, y0, x1, y1)，PDF坐标系
    content: str                             # 文字内容
    font_name: str                           # 字体名
    font_size: float                         # 字号（pt）
    font_weight: str                         # "bold" / "normal"
    font_style: str                          # "italic" / "normal"
    color: int                               # RGB 整数
    page_no: int                             # 所在页码
    type: str                                # "text" / "inline_equation" 等

与PyMuPDF原始Span的关键转换

从PyMuPDF的原始Span到MinerUSpan经历三个关键转换：

坐标归一化：PDF坐标（左下原点）→ 图像坐标（左上原点），处理PDF坐标系的Y轴翻转
字体解析：从字体名推断是否中文、是否等宽；将flags位掩码解码为font_weight和font_style字符串
初步类型标注：检测等宽字体→可能是代码；检测特殊字体→可能是行内公式

在流水线中的位置

MinerUSpan是MinerU七层流水线中第二层（底层PDF解析）的输出产物，后续层（布局检测、内容识别、分类标注、排序）都基于此格式进行扩展和标注。最终sorted_blocks中的每个内容块都包含经过多层处理的MinerUSpan集合。

设计动机

PyMuPDF原始数据存在噪声（超短碎片、水印、重叠Span），且坐标系与视觉模型不一致。MinerUSpan格式通过： - 统一坐标参照系统 - 标准化字体属性表示 - 增加页码和类型字段为后续处理提供干净、一致的数据基础。

来源

raw/assets/MinerU/minerU_02_pdf_parsing.md — MinerU 深度解析系列 · 第二篇：底层 PDF 解析引擎