首页
/ MinerU项目中数字百分比被误识别为公式的问题分析与解决方案

MinerU项目中数字百分比被误识别为公式的问题分析与解决方案

2025-05-04 15:09:21作者:齐冠琰

问题背景

在MinerU项目(一个PDF文档解析工具)的实际应用中,我们发现了一个影响金融和技术文档解析准确性的问题:工具会将文档中出现的数字加百分号组合(如"20%")错误识别为数学公式。这种误识别会导致文本内容被错误地标记为公式类型,进而影响后续的文档处理流程。

问题表现

该问题在金融类PDF文档中尤为常见,例如在行业分析报告中经常出现的百分比数据。具体表现为:

  1. 类似"20%"这样的百分比数值被错误解析为LaTeX公式格式
  2. 某些情况下,连字符与百分比的组合(如"-8%")也会被误识别
  3. 字母与百分比组合(如"a-20%")可能被解析为包含偏微分符号的公式

技术分析

通过分析源代码,我们发现问题的根源在于MinerU的公式识别模块对于百分号的处理过于敏感。在magic-model.py文件的get_all_spans函数中,所有被分类为公式类别(category_id=13)的内容都会被默认标记为内联公式(InlineEquation),而没有针对常见的百分比数值进行特殊处理。

解决方案

针对这一问题,开发者提出了一个有效的修复方案,通过添加特定的正则表达式匹配规则来过滤掉常见的非公式百分比模式:

  1. 纯数字百分比模式(如"11.11%")
  2. 包含@符号的数字模式(如"@1")
  3. 美元符号数字模式(如"$11.111")

实现方式是在公式识别置信度不高(score≤0.9)的情况下,增加额外的模式匹配检查。如果内容符合上述任一模式,则将其重新分类为普通文本而非公式。

实现代码

以下是具体的实现代码片段:

import re

# 在get_all_spans函数中添加以下逻辑
elif category_id == 13:
    span['content'] = layout_det['latex']
    
    if layout_det['score'] > 0.9:
        span['type'] = ContentType.InlineEquation
    else:
        pattern_nums_per = r"^\d+(\.\d+)?\\%$"  # 匹配11.11\%格式
        pattern_at_num = r"^.*@\d+$"  # 匹配\ @1格式
        pattern_usd_num = r"^\\\$\d+(\.\d+)?$"  # 匹配\$11.111格式
        
        if re.match(pattern_nums_per, span['content']) or \
           re.match(pattern_at_num, span['content']) or \
           re.match(pattern_usd_num, span['content']):
            span['type'] = ContentType.Text
        else:
            span['type'] = ContentType.InlineEquation

应用建议

对于主要处理非学术类技术文档(特别是金融文档)的用户,可以考虑以下两种方案:

  1. 完全关闭公式识别功能(如果文档中确实不包含数学公式)
  2. 应用上述修复代码,在保留公式识别能力的同时减少误判

总结

MinerU项目中的这一识别问题反映了文档解析工具在实际应用中面临的挑战:如何在保持通用性的同时,又能适应特定领域的文档特征。通过针对性地添加业务规则(如这里的百分比识别规则),可以在不大幅修改核心算法的情况下,显著提升特定场景下的解析准确率。这一解决方案也为处理类似问题提供了可借鉴的思路。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8