|
|
@@ -1,17 +1,5 @@
|
|
|
# MinerU 输出文件说明
|
|
|
|
|
|
-## 目录
|
|
|
-
|
|
|
-- [概览](#概览)
|
|
|
-- [可视化调试文件](#可视化调试文件)
|
|
|
- - [布局分析文件 (layout.pdf)](#布局分析文件-layoutpdf)
|
|
|
- - [文本片段文件 (spans.pdf)](#文本片段文件-spanspdf)
|
|
|
-- [结构化数据文件](#结构化数据文件)
|
|
|
- - [模型推理结果 (model.json)](#模型推理结果-modeljson)
|
|
|
- - [VLM 输出结果 (model_output.txt)](#vlm-输出结果-model_outputtxt)
|
|
|
- - [中间处理结果 (middle.json)](#中间处理结果-middlejson)
|
|
|
- - [内容列表 (content_list.json)](#内容列表-content_listjson)
|
|
|
-
|
|
|
## 概览
|
|
|
|
|
|
`mineru` 命令执行后，除了输出主要的 markdown 文件外，还会生成多个辅助文件用于调试、质检和进一步处理。这些文件包括：
|
|
|
@@ -28,11 +16,13 @@
|
|
|
**文件命名格式**：`{原文件名}_layout.pdf`
|
|
|
|
|
|
**功能说明**：
|
|
|
+
|
|
|
- 可视化展示每一页的布局分析结果
|
|
|
- 每个检测框右上角的数字表示阅读顺序
|
|
|
- 使用不同背景色块区分不同类型的内容块
|
|
|
|
|
|
**使用场景**：
|
|
|
+
|
|
|
- 检查布局分析是否正确
|
|
|
- 确认阅读顺序是否合理
|
|
|
- 调试布局相关问题
|
|
|
@@ -41,15 +31,18 @@
|
|
|
|
|
|
### 文本片段文件 (spans.pdf)
|
|
|
|
|
|
-> **注意**：仅适用于 pipeline 后端
|
|
|
+> [!NOTE]
|
|
|
+> 仅适用于 pipeline 后端
|
|
|
|
|
|
**文件命名格式**：`{原文件名}_spans.pdf`
|
|
|
|
|
|
**功能说明**：
|
|
|
+
|
|
|
- 根据 span 类型使用不同颜色线框标注页面内容
|
|
|
- 用于质量检查和问题排查
|
|
|
|
|
|
**使用场景**：
|
|
|
+
|
|
|
- 快速排查文本丢失问题
|
|
|
- 检查行内公式识别情况
|
|
|
- 验证文本分割准确性
|
|
|
@@ -60,7 +53,8 @@
|
|
|
|
|
|
### 模型推理结果 (model.json)
|
|
|
|
|
|
-> **注意**：仅适用于 pipeline 后端
|
|
|
+> [!NOTE]
|
|
|
+> 仅适用于 pipeline 后端
|
|
|
|
|
|
**文件命名格式**：`{原文件名}_model.json`
|
|
|
|
|
|
@@ -112,6 +106,7 @@ inference_result: list[PageInferenceResults] = []
|
|
|
#### 坐标系统说明
|
|
|
|
|
|
`poly` 坐标格式：`[x0, y0, x1, y1, x2, y2, x3, y3]`
|
|
|
+
|
|
|
- 分别表示左上、右上、右下、左下四点的坐标
|
|
|
- 坐标原点在页面左上角
|
|
|
|
|
|
@@ -145,7 +140,8 @@ inference_result: list[PageInferenceResults] = []
|
|
|
|
|
|
### VLM 输出结果 (model_output.txt)
|
|
|
|
|
|
-> **注意**：仅适用于 VLM 后端
|
|
|
+> [!NOTE]
|
|
|
+> 仅适用于 VLM 后端
|
|
|
|
|
|
**文件命名格式**：`{原文件名}_model_output.txt`
|
|
|
|
|
|
@@ -324,6 +320,7 @@ inference_result: list[PageInferenceResults] = []
|
|
|
#### 文本层级标识
|
|
|
|
|
|
通过 `text_level` 字段区分文本层级：
|
|
|
+
|
|
|
- 无 `text_level` 或 `text_level: 0`：正文文本
|
|
|
- `text_level: 1`：一级标题
|
|
|
- `text_level: 2`：二级标题
|
myhloli