search

opendatalab / MinerU

A one-stop, open-source, high-quality data extraction tool, supports PDF/webpage/e-book extraction.一站式开源高质量数据提取工具，支持PDF/网页/多格式电子书提取。
https://opendatalab.com/OpenSourceTools
GNU Affero General Public License v3.0
13.06k stars 973 forks source link

文档解析的一些 Bad cases #433

Open yzztin opened 2 months ago

yzztin commented 2 months ago

Description of the bug | 错误描述

本 issue 仅提供一些本人遇到的错误解析的 PDF 案例，请不必回复，请开发者自行斟酌是否需要如下 PDF 附件。

也许我会持续更新该 issue 中的 bad cases

在尝试对 “论文” 进行解析的时候，有些文章会出现如下问题：

  1. 标题未正确解析
  2. 双列格式文本未正确识别
  3. 遗漏段落
  4. ......

附件如下，问题已简要写在标题上： ccs-1993-2-标题未识别.pdf ccs-1993-8- 标题未识别.pdf ccs-1993-10-标题未识别.pdf ccs-1993-24-最后一段未识别.pdf ccs-1994-2-双列错误识别.pdf

How to reproduce the bug | 如何复现

解析文件即可

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

drunkpig commented 2 months ago

@yzztin We have received your sample, thank you for sharing.