opensource/MinerU
3
0
Fork 0
mirror of https://github.com/opendatalab/MinerU.git synced 2026-09-24 23:10:23 +08:00
Code Issues Packages Projects Releases Wiki Activity

docs: fix table format

Browse Source
This commit is contained in:
xu rui
2024-12-03 14:06:58 +08:00
parent f6bd47de6a
commit 91d825b29a
2 changed files with 64 additions and 67 deletions
Download Patch File Download Diff File Expand all files Collapse all files
next_docs/requirements.txt
+5 -1
View File
@@ -1,3 +1,7 @@
numpy==1.26.4
click==8.1.7
fast-langdetect==0.2.2
Brotli==1.1.0
boto3>=1.28.43
loguru>=0.6.0
myst-parser
@@ -9,4 +13,4 @@ sphinx-argparse>=0.5.2
sphinx-book-theme>=1.1.3
sphinx-copybutton>=0.5.2
sphinx_rtd_theme>=3.0.1
autodoc_pydantic>=2.2.0
autodoc_pydantic>=2.2.0
next_docs/zh_cn/user_guide/tutorial/output_file_description.rst
+59 -66
View File
@@ -137,49 +137,45 @@ poly 坐标的格式 [x0, y0, x1, y1, x2, y2, x3, y3],
some_pdf_middle.json
~~~~~~~~~~~~~~~~~~~~
+-----------+----------------------------------------------------------+
| 字段名 | 解释 |
+===========+==========================================================+
| pdf_info | list，每个 |
| | 元素都是一个dict,这个dict是每一页pdf的解析结果，详见下表 |
+-----------+----------------------------------------------------------+
| | ocr \| txt，用来标识本次解析的中间态使用的模式 |
| \_parse_type | |
+-----------+----------------------------------------------------------+
| | string, 表示本次解析使用的 magic-pdf 的版本号 |
| \_version_name | |
+-----------+----------------------------------------------------------+
+--------------------+----------------------------------------------------------+
| 字段名 | 解释 |
+====================+==========================================================+
| pdf_info | list，每个元素都是一个 |
| | dict，这个dict是每一页pdf的解析结果，详见下表 |
+--------------------+----------------------------------------------------------+
| \_parse_type | ocr \| txt，用来标识本次解析的中间态使用的模式 |
+--------------------+----------------------------------------------------------+
| \_version_name | string，表示本次解析使用的 magic-pdf 的版本号 |
+-------------------------------------------------------------------------------+
**pdf_info** 字段结构说明
+--------------+-------------------------------------------------------+
| 字段名 | 解释 |
+==============+=======================================================+
| | pdf预处理后，未分段的中间结果 |
| preeproc_blocks | |
+--------------+-------------------------------------------------------+
| | 布局分割的结果， |
| layout_bboxes | 含有布局的方向（垂直、水平），和bbox，按阅读顺序排序 |
+--------------+-------------------------------------------------------+
| page_idx | 页码，从0开始 |
+--------------+-------------------------------------------------------+
| page_size | 页面的宽度和高度 |
+--------------+-------------------------------------------------------+
| \ | 布局树状结构 |
| _layout_tree | |
+--------------+-------------------------------------------------------+
| images | list，每个元素是一个dict，每个dict表示一个img_block |
+--------------+-------------------------------------------------------+
| tables | list，每个元素是一个dict，每个dict表示一个table_block |
+--------------+-------------------------------------------------------+
| | list，每个元素 |
| interline_equations | 是一个dict，每个dict表示一个interline_equation_block |
+--------------+-------------------------------------------------------+
| | List, 模型返回的需要drop的block信息 |
| discarded_blocks | |
+--------------+-------------------------------------------------------+
| para_blocks | 将preproc_blocks进行分段之后的结果 |
+--------------+-------------------------------------------------------+
+---------------------+-------------------------------------------------------+
| 字段名 | 解释 |
+=====================+=======================================================+
| preproc_blocks | pdf预处理后，未分段的中间结果 |
+---------------------+-------------------------------------------------------+
| | 布局分割的结果， |
| layout_bboxes | 含有布局的方向（垂直、水平），和bbox，按阅读顺序排序 |
+---------------------+-------------------------------------------------------+
| page_idx | 页码，从0开始 |
+---------------------+-------------------------------------------------------+
| page_size | 页面的宽度和高度 |
+---------------------+-------------------------------------------------------+
| \_layout_tree | 布局树状结构 |
+---------------------+-------------------------------------------------------+
| images | list，每个元素是一个dict，每个dict表示一个img_block |
+---------------------+-------------------------------------------------------+
| tables | list，每个元素是一个dict，每个dict表示一个table_block |
+---------------------+-------------------------------------------------------+
| | list，每个元素是一个 |
| interline_equations | dict，每个dict表示一个interline_equation_block |
+---------------------+-------------------------------------------------------+
| | List, 模型返回的需要drop的block信息 |
| discarded_blocks | |
+---------------------+-------------------------------------------------------+
| para_blocks | 将preproc_blocks进行分段之后的结果 |
+---------------------+-------------------------------------------------------+
上表中 ``para_blocks``
是个dict的数组，每个dict是一个block结构，block最多支持一次嵌套
@@ -200,20 +196,18 @@ blocks list，里面的每个元素都是一个dict格式的二级block
二级block中的字段包括
+-----+----------------------------------------------------------------+
| 字 | 解释 |
| 段 | |
| 名 | |
+=====+================================================================+
| | block类型 |
| type | |
+-----+----------------------------------------------------------------+
| | block矩形框坐标 |
| bbox | |
+-----+----------------------------------------------------------------+
| | list，每个元素都是一个dict表示的line，用来描述一行信息的构成 |
| lines | |
+-----+----------------------------------------------------------------+
+----------+----------------------------------------------------------------+
| 字 | 解释 |
| 段 | |
| 名 | |
+==========+================================================================+
| | block类型 |
| type | |
+----------+----------------------------------------------------------------+
| bbox | block矩形框坐标 |
+----------+----------------------------------------------------------------+
| lines | list，每个元素都是一个dict表示的line，用来描述一行信息的构成 |
+----------+----------------------------------------------------------------+
二级block的类型详解
@@ -237,22 +231,21 @@ interline_equation 行间公式块
line 的 字段格式如下
+----+-----------------------------------------------------------------+
| 字 | 解释 |
| 段 | |
| 名 | |
+====+=================================================================+
| bbox | line的矩形框坐标 |
| | |
+----+-----------------------------------------------------------------+
| spans | list， |
| | 每个元素都是一个dict表示的span，用来描述一个最小组成单元的构成 |
+----+-----------------------------------------------------------------+
+-----------+-----------------------------------------------------------------+
| 字 | 解释 |
| 段 | |
| 名 | |
+===========+=================================================================+
| bbox | line的矩形框坐标 |
+-----------+-----------------------------------------------------------------+
| spans | list， |
| | 每个元素都是一个dict表示的span，用来描述一个最小组成单元的构成 |
+-----------+-----------------------------------------------------------------+
**span**
+------------+---------------------------------------------------------+
| 字段名 | 解释 |
| 字段名 | 解释 |
+============+=========================================================+
| bbox | span的矩形框坐标 |
+------------+---------------------------------------------------------+