MinerU 管線分析：PDF 解析的 Layout-OCR 二階段架構

前言

PDF 解析一直是文件處理領域的核心挑戰。不同於純文字檔案，PDF 內含複雜的版面配置——多欄排版、表格、圖片、數學公式——這些都讓自動化解析變得困難。

MinerU（又名 MagicPDF）是上海 AI Lab 開源的 PDF 解析工具，其核心採用 Layout-OCR 二階段架構。本文將拆解這個管線的設計思路與技術細節。

二階段架構總覽

MinerU 的處理流程分為兩個明確的階段：

1. Layout Detection（版面偵測）：辨識頁面上每個區域的類型——標題、段落、表格、圖片、公式等
2. Content Recognition（內容辨識）：對每個偵測到的區域進行對應的內容擷取——OCR 文字、表格結構化、公式轉 LaTeX

這種分治策略的好處是各階段可以獨立優化，且能根據區域類型選擇最適合的辨識模型。

Stage 1：Layout Detection

版面偵測的任務是在 PDF 頁面（渲染為圖片）上定位並分類各個元素。MinerU 使用的是基於 LayoutLMv3 和 YOLOv8 的混合方案。

偵測類別

模型需要區分的元素類型包括：

• Title / Section Header（標題）
• Text Block（文字段落）
• Figure（圖片）
• Table（表格）
• Formula（數學公式）
• Header / Footer（頁首頁尾）
• Caption（圖表說明）

閱讀順序推斷

偵測完各區域後，還需要推斷正確的閱讀順序。對單欄文件這很直覺，但多欄排版就需要額外的邏輯。MinerU 使用了基於幾何位置的排序演算法，結合欄位偵測來處理這個問題。

Stage 2：Content Recognition

根據 Stage 1 辨識出的區域類型，Stage 2 會啟動不同的辨識引擎：

文字 OCR

對文字區域，MinerU 支援兩種路徑：

• Text-based PDF：直接從 PDF 內部結構提取文字座標，不需要 OCR
• Image-based PDF：使用 PaddleOCR 進行光學字元辨識

這個分支判斷是自動的——MinerU 會偵測 PDF 頁面是否內含可提取的文字層。

表格結構化

表格辨識是最複雜的部分。MinerU 使用了 TableMaster 模型來辨識表格結構（行、列、合併儲存格），再結合 OCR 結果填入內容，最終輸出 HTML table 格式。

公式辨識

數學公式使用 UniMERNet 模型，將公式圖片轉換為 LaTeX 語法。支援行內公式和獨立公式兩種模式。

管線整合與輸出

兩個階段的結果最終被整合為結構化的 Markdown 或 JSON 輸出。每個元素都保留了：

• 在原始頁面上的位置座標（bounding box）
• 元素類型標記
• 辨識後的文字或結構化內容
• 閱讀順序編號

小結

MinerU 的二階段架構體現了「先定位再辨識」的設計哲學。相比端到端的方案，這種模組化設計更容易維護和調整。不過也有其限制——兩階段之間的錯誤會累積，Layout Detection 的失誤會直接影響後續辨識的品質。

對於需要處理大量 PDF 文件的場景（學術論文、技術文件、報告），MinerU 提供了一個開源且效果不錯的選擇。