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 04:47:55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:
- 类似"20%"这样的百分比数值被错误解析为LaTeX公式格式
- 某些情况下,连字符与百分比的组合(如"-8%")也会被误识别
- 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:
- 纯数字百分比模式(如"11.11%")
- 包含@符号的数字模式(如"@1")
- 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:
- 完全关闭公式识别功能(如果文档中确实不包含数学公式)
- 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
相关项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
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!C0299- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
260

🎉 (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
858
507

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
255
299

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

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
331
1.08 K

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
397
370

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

deepin linux kernel
C
21
5