图片PDF识别遗漏表格中间的文字

[albertshx]

Description of the bug | 错误描述

对于一个图片型pdf, 一页中间有表格也有文字的. minerU 把表格提取成了图片, 却遗漏了表格中间的文字. 效果截图(线上demo)

对应的PDF文件 origin (dragged).pdf

How to reproduce the bug | 如何复现

线上官方demo.

本地运行 magic-pdf -p xx.pdf -o output 结果一样

Operating system | 操作系统

Linux

Python version | Python 版本

3.10

Software version | 软件版本 (magic-pdf --version)

0.6.x

Device mode | 设备模式

cuda

[myhloli]

测试这篇文档比较特殊，中间看到的那部分字其实是张贴图，程序使用api没有从pdf中提取到任何文本，最后画框的时候只圈到了唯一的一个文本“/”。 对于这种pdf，可以使用命令行中增加 --method ocr 参数，手动强制使用ocr模式。 线上demo目前是使用的auto模式，手动ocr开关在以后的版本会规划添加。 付：ocr解析样本 ocr.zip

[myhloli]

画框的逻辑后期也会更新，会尽量按照原始的识别区域绘制，减少对用户的误导。

[albertshx]

@myhloli 感谢！ 我查看了OCR模式生成的md文件，想请教一下， 为什么小段落标题会当作图片的替换项目出现？ 比如
1.1待测设备描述 应该是正常文本. 观察到1.1 ～ 1.4小节都是这种情况。 但是1.5小节的标题，是解析成文本的。

另外想咨询一下， 对于这种纯图片型的文档， 能做到自动探测么？因为文档种类比较多， 不清楚哪些需要手动设置OCR模式？

[myhloli]

1.这个例子中，1.1～1.4是因为离表格太近了，被模型识别成为了table_caption，在上个版本发布时，恰好table_caption从[]外被调整到[]内，变成了你现在看到的替代文字的样式。 2.目前默认使用的auto模式，就是自动探测文档属性并判断是否需要开启ocr的，但是通常条件下需要更多页面信息的采样分析，对于一页两页的demo属性分析不一定很准。即便是获取了更多信息的情况下，分类也不是100%准确的，所以在遇到效果不佳（通常需要人来对结果检测）的情况需要将这部分pdf手动开启ocr来重跑流程并分析效果。 如果你的某一批文档大都是这种类型，可以在解析前提前手动强制开启ocr，通过--method ocr 参数即可。

[albertshx]

好的. 感谢!