PDF内容流
概述
PDF内容流（Content Stream）是PDF文件内部的核心数据结构，由一系列PostScript风格的绘图命令组成，决定了PDF"存储坐标而非语义"的本质特征。
关键内容
内容流的本质
PDF内部不存储"段落"或"语义结构"，只存储绘图指令。一条典型的内容流命令序列：
BT % Begin Text
/F1 12 Tf % 使用字体 F1，字号 12pt
100 700 Td % 移动到坐标 (100, 700)
(Hello, World!) Tj % 绘制字符串
ET % End Text
这意味着三个关键推论： 1. 字符顺序由坐标隐含，而非显式的语义结构 2. 多栏布局、页眉页脚、侧边注释在内部没有任何区别，全是同级别的绘图命令 3. PDF是"打印指令集"而非"文档结构描述"
与语义结构的根本冲突
内容流的设计初衷是精确渲染而非语义表达。这导致所有PDF解析工具面临的根本问题：需要从纯坐标信息中逆向推导出人类理解的文档结构（标题、段落、表格、公式等）。MinerU 等现代工具通过多模型协同流水线（布局检测 + OCR + 阅读顺序重建）来解决这一冲突。
对解析策略的影响
理解内容流的本质直接影响解析策略的选择： - 文字型PDF：可直接从内容流提取字符坐标，但需要阅读顺序重建 - 扫描件PDF：内容流中只有图像绘制命令，必须走光学字符识别管道 - 混合型PDF：逐页判断内容流特征，动态选择管道
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