PyMuPDF
概述
PyMuPDF 是 MuPDF 引擎的 Python 绑定，提供高性能的 PDF 文档解析能力，可直接读取精确到亚像素的字符坐标，是 MinerU TextBased 管道的核心解析引擎。
关键内容
为什么是 PyMuPDF
PyMuPDF 底层是 MuPDF——业界最优秀的 PDF 渲染引擎之一（Foxit 阅读器也基于它）。相比 pdfminer（纯 Python，慢）和 pypdf（精度有限），PyMuPDF 在速度（C++ 内核）、字符精度（亚像素级）、图像渲染、字体信息、嵌入图片提取、中文 PDF 支持上全面领先。
MinerU 使用 PyMuPDF 的三个核心操作
操作一：页面渲染为图像
将每页渲染为高分辨率图像（默认 200 DPI），供文档布局检测模型和光学字符识别模型推理使用。通过 fitz.Matrix(scale, scale) 控制缩放比例。
操作二：提取文字 Span（带坐标）
使用 page.get_text("rawdict") 提取四级嵌套结构（Page → Block → Line → Span → Char），每个 Span 携带 bbox、字体名、字号、flags 位掩码、颜色、基线坐标等完整元信息。详见Span层级结构。
操作三：提取嵌入图像
通过 page.get_images(full=True) 获取页面上的嵌入图像列表，可用于提取 PDF 中内嵌的图表。
PDF 类型判断
在解析前，PyMuPDF 支持判断 PDF 类型以选择处理管道： - text_based：>80% 页面有足够文字（>100 字符） - ocr_based：<20% 页面有文字，且有大图覆盖 - mixed：介于两者之间
同时处理加密 PDF（doc.authenticate()）和损坏 PDF（异常捕获降级到图像模式）等特殊情况。
局限性
- 对扫描件（无文字层 PDF）无法直接提取文本，需走 OCR 管道
- 多栏布局下提取的字符流仍然是乱序的，需要后续阅读顺序重建
- 原始 Span 存在噪声（碎片化、水印、页眉页脚、重叠），需MinerU清洗
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