光学字符识别
概述
光学字符识别（OCR，Optical Character Recognition）是将图像中的文字转换为机器可读文本的技术，是扫描件 PDF 解析的核心手段。
关键内容
在 PDF 解析中的角色
OCR 在 MinerU 中不是全程使用，而是按需激活：
- 文字型 PDF（TextBased 管道）：PyMuPDF 直接提取文字 Span（精确坐标），OCR 仅用于图注区域、表格内文字、公式周边等特殊区域
- 扫描件 PDF（OCRBased 管道）：整页 OCR，所有文字都靠识别，PyMuPDF 只提供图像不提供文字
- 混合 PDF（Mixed 管道）：逐个布局框判断，有文字层直接提取，无文字层走 OCR
这个设计的核心思想：对于文字型 PDF，PyMuPDF 的精确坐标远优于 OCR 识别结果，没有必要浪费计算资源。
OCR 三阶段流水线
现代 OCR 系统（如 PaddleOCR）的完整处理流程：
- 文字区域检测：使用 DBNet++ 等检测模型，输出文字区域的多边形轮廓（而非简单矩形框，能更精确框定倾斜文字行）
- 透视变换矫正：将检测到的多边形文字区域通过透视变换矫正为水平矩形图像
- 文字识别：使用 SVTR 等识别模型，基于 Vision Transformer 架构，通过 CTC解码 输出文字字符串
PaddleOCR 的中文优势
PaddleOCR 的中文识别能力是 MinerU 相比同类工具（Marker、Nougat）的核心差异化优势：
| 工具 | 中文支持 |
|---|---|
| MinerU（PaddleOCR） | ✅ 极佳 |
| Marker | ⚠️ |
| Nougat | ❌ |
中文 OCR 的特殊挑战
- 字符集规模：英文约 100 个字符，中文常用字 3500+，完整字符集 70000+。PaddleOCR 使用 GB2312 标准的 6763 个常用汉字
- 字形相似度：大量形近字（己/已/巳，戊/戌/戍），需要通过大规模训练数据和语言模型后处理
- 中英混排：学术论文中大量存在中英文混排，需要统一字符集
- 垂直排版：古籍、传统排版使用竖排，需要方向分类器先识别文字方向
OCR 结果质量过滤
OCR 原始输出需要多层过滤： - 置信度过滤：默认阈值 0.5 - 乱码检测：特殊字符比例 > 0.3 视为乱码 - 空白行和极短文本过滤：长度 < 2 或仅有标点的行过滤掉
来源
- raw/assets/MinerU/minerU_01_architecture.md — MinerU 深度解析系列 · 第一篇
- raw/assets/MinerU/minerU_04_ocr.md — MinerU 深度解析系列 · 第四篇：OCR 引擎