Span层级结构

概述

PyMuPDF的文字提取遵循Page → Block → Line → Span → Char五级嵌套结构，其中Span（具有相同字体属性的连续文字片段）是MinerU最核心的处理单元。

关键内容

五级嵌套结构

Page（页面）
└── Block（块：连续文字或图像区域）
    └── Line（行：同一基线上的文字）
        └── Span（片段：同一字体、大小、颜色的连续文字）
            └── Char（字符，rawdict模式下可获取）

Block：页面上的连续区域，type=0为文字块，type=1为图像块
Line：共享同一基线（baseline）的文字序列
Span：具有相同字体名、字号、颜色的连续文字段，带有精确bbox
Char：单个字符，仅在rawdict模式下可获取

Span的核心属性

每个Span携带丰富的元信息： - text：文字内容 - bbox：边界框 (x0, y0, x1, y1) - font：字体名 - size：字号（pt） - flags：位掩码，标识粗体/斜体/衬线/等宽/上标 - color：文字颜色（RGB整数） - origin：基线坐标

flags位掩码解码

FLAG_SUPERSCRIPT = 1    # 上标
FLAG_ITALIC      = 2    # 斜体
FLAG_SERIFED     = 4    # 衬线字体
FLAG_MONOSPACED  = 8    # 等宽字体
FLAG_BOLD        = 16   # 粗体

MinerU利用粗体+字号信息推断标题层级，这是后续分类系统的重要输入。等宽字体flag可用于初步识别代码块。

原始Span的噪声问题

PyMuPDF提取的原始Span存在多种噪声： 1. 超短Span碎片化：单字符或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：页面顶部/底部固定区域，多页重复出现 4. 重叠Span：部分PDF生成工具产生的内容重复，需去重

MinerU在接收原始Span后需要清洗这些噪声，然后转换为内部MinerUSpan格式。

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