文档处理

概念

• PDF解析 — 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
• 光学字符识别 — 光学字符识别（OCR）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。
• 公式识别 — 公式识别（Formula Recognition）是将 PDF 中以图像形式存储的数学公式转换为 LaTeX 代码的技术，是高质量学术文档解析的关键环节。
• 文档布局检测 — 文档布局检测（Document Layout Detection）是从 PDF 页面中识别和定位不同语义区域（文本区、图像、表格、公式框等）的计算机视觉任务，是
• 文档结构化提取 — 文档结构化提取是将非结构化的文档（如 PDF）转换为带有语义标签的结构化数据（如 Markdown、JSON）的过程，是 RAG 系统和知
• 表格识别 — 表格识别（Table Recognition）是将 PDF 中的表格还原为结构化数据（如 Markdown 表格）的技术，核心挑战在于从仅靠线条暗示的单元格边界
• 阅读顺序重建 — 阅读顺序重建（Reading Order Reconstruction）是从 PDF 页面元素的空间坐标中还原人类阅读序列的算法，解决多栏布局、脚注、侧边栏等复

实体

• DocLayout-YOLO — DocLayout-YOLO 是面向文档布局检测的 YOLO 系列模型变体，可检测 PDF 页面中的文本区、图像、表格、公式框等布局区域，是 Min</li> <li>[[LayoutLMv3 — LayoutLMv3 是微软推出的多模态文档理解模型，结合视觉和文本信息进行文档布局分析，是 MinerU 第三层流水线中可选的布局检测模型之一。
• Marker — Marker 是一款开源 PDF 文档解析工具，支持文字型 PDF 和扫描件的解析，但在公式和表格的结构化还原方面能力有限，采用 GPL 许可。
• MinerU — MinerU（项目名 magic-pdf）是上海人工智能实验室开源的高质量文档解析工具，专为学术论文、技术报告、教材等复杂 PDF 的结构化提取而设计。
• Nougat — Nougat 是 Meta AI 开源的端到端 PDF 文档解析模型，基于视觉 Transformer 将 PDF 页面图像
• TableMaster — TableMaster 是用于表格结构识别的深度学习模型，可将 PDF 中的表格检测框还原为结构化表格数据，是 MinerU 第四层流