PDF解析
概述
PDF 解析是从 Portable Document Format 文件中提取结构化文本和语义信息的技术。PDF 本质上是"打印指令集"而非语义结构，解析的核心挑战在于还原阅读顺序、公式、表格等高层语义。
关键内容
问题的根源
PDF 内部将每个字符、每条线段存储为带坐标的图元（glyph/path），没有"这是标题"、"这是公式"、"这是表格"这样的语义信息。这导致：
- 直接文本提取得到的是乱序字符流，多栏布局、脚注、侧边栏全部混在一起
- 图像化 PDF（扫描件）根本没有文字层，纯靠 OCR
- 公式以图像形式存储，无法直接转成 LaTeX
- 表格的单元格边界仅靠线条暗示，结构难以还原
大模型时代的重要性
RAG 系统、知识库构建、文档问答，全都依赖精准的文本提取。PDF 解析质量直接决定下游应用的上限。
主要工具对比
| 工具 | 文字型 PDF | 扫描件 | 公式→LaTeX | 表格结构 | 阅读顺序 | 中文支持 | |------|-----------|--------|-----------|---------|---------|---------| | pypdf/pdfminer | ✅ 但乱序 | ❌ | ❌ | ❌ | ❌ | ⚠️ | | PyMuPDF | ✅ | ❌ | ❌ | ❌ | ❌ | ⚠️ | | Marker | ✅ | ✅ | ⚠️ 有限 | ⚠️ | ✅ | ⚠️ | | Nougat | ✅ | ✅ | ✅ | ❌ | ✅ | ❌ | | MinerU | ✅ 高质量 | ✅ OCR | ✅ UniMERNet | ✅ TableMaster | ✅ 多栏 | ✅ 极佳 |
解决路径
现代高质量 PDF 解析采用多模型协同流水线：布局检测 → 内容专项识别（OCR/公式/表格）→ 阅读顺序重建 → 结构化输出。
渲染参数选择
PDF 页面渲染为图像时，分辨率直接影响准确率与速度：
| DPI | 分辨率（A4） | 适用场景 | 显存占用 |
|---|---|---|---|
| 72 | 595×842 | 仅预览 | 低 |
| 150 | 1240×1754 | 基础 OCR | 中 |
| 200 | 1654×2339 | MinerU 默认 | 中 |
| 300 | 2480×3508 | 高精度 OCR | 高 |
200 DPI 是准确率与速度的平衡点。
原始数据噪声
从 PDF 提取的原始数据存在多种噪声： 1. 超短碎片：单字符/空格级别的过度分割，需同行合并 2. 水印文字：旋转、半透明、大面积覆盖，通过颜色和旋转角度检测 3. 页眉页脚：固定区域重复出现，在布局检测阶段标记过滤 4. 重叠 Span：PDF 生成工具产生的内容重复，需去重
来源
- raw/assets/MinerU/minerU_01_architecture.md — MinerU 深度解析系列 · 第一篇
- 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