表格单元格填充

概述

表格单元格填充是表格识别的第二阶段，在 TableMaster 输出 HTML 结构和单元格 bbox 后，将实际文字内容分配到对应单元格。根据 PDF 类型分为两条路径：文字型 PDF 走坐标对应，扫描件走 OCR。

关键内容

在 MinerU 流水线中的位置

表格单元格填充是 MinerU 双阶段表格识别的第二阶段：

阶段一：TableMaster 结构识别 → HTML 骨架 + 单元格 bbox
                                    ↓
阶段二：表格单元格填充 → 含文字的完整表格

文字型 PDF 的内容填充

对于文字型 PDF，表格内的文字在 PyMuPDF 提取的 Span层级结构中已存在，只需坐标对应：

坐标转换：将单元格 bbox 从表格裁剪坐标转换为页面坐标
中心点匹配：找到中心点落在单元格内的所有 Span
阅读顺序排列：按 y 优先、x 次之排序，拼接为单元格内容

核心逻辑：

cell_spans = [span for span in page_spans
              if point_in_box(span_center(span), cell_bbox_page)]
cell_spans.sort(key=lambda s: (s.bbox[1], s.bbox[0]))
cell.content = "".join(span.content for span in cell_spans)

扫描件的内容填充

扫描件需要对每个单元格区域单独做 OCR：

裁剪单元格：根据 bbox 从表格图像中裁剪，加 padding 避免裁剪到边框线
单元格 OCR：对小块区域做 OCR（内容短，速度快）
文本拼接：将 OCR 结果拼接为单元格内容

核心逻辑：

padding = 3  # 避免裁剪到边框线
cell_img = table_image[y0+padding:y1-padding, x0+padding:x1-padding]
results = ocr_engine.ocr(cell_img, cls=False)
cell.content = " ".join(text for line in results)

为什么分两条路径

路径	优势	适用场景
Span 坐标对应	亚像素精度，无需 OCR，速度极快	文字型 PDF
OCR 逐单元格	处理扫描/图像内容	扫描件 PDF

文字型 PDF 直接利用已有文字坐标，避免了 OCR 的误差和性能开销；扫描件则必须依赖 OCR，但逐单元格裁剪使 OCR 范围极小，速度和精度都有保障。

与跨单元格的关系

对于跨行/跨列单元格（colspan/rowspan），填充逻辑相同——只需将 bbox 覆盖的区域所有 Span/OCR 结果归入该单元格即可。TableMaster 已预测出正确的合并关系。

来源

raw/assets/MinerU/minerU_06_table.md — MinerU 深度解析系列 · 第六篇：表格识别系统