MinerU能否提取注释？批注内容捕获实战验证

1. 引言：PDF批注提取的现实需求

在日常办公、学术研究和法律文档处理中，PDF文件常常承载着大量人工添加的批注、高亮和评论。这些“二次信息”往往比原文更关键——比如审稿意见、合同修改建议或学习笔记。然而，传统PDF解析工具大多只关注正文内容，对批注视而不见。

那么问题来了：MinerU这款主打复杂版式解析的AI模型，是否也能捕捉到这些隐藏的“声音”？

本文将围绕CSDN星图提供的MinerU 2.5-1.2B 深度学习 PDF 提取镜像展开实测，重点验证其对批注类内容的识别能力。我们不讲理论推导，也不堆砌参数，而是通过真实操作告诉你：它到底能不能用？怎么用最有效？

2. 环境准备与快速部署

2.1 镜像优势一览

本镜像已深度预装 GLM-4V-9B 模型权重及全套依赖环境，真正实现“开箱即用”。你无需手动下载模型、配置CUDA驱动或解决各种Python包冲突，所有准备工作都已完成。

进入容器后，默认路径为/root/workspace，整个系统处于一个激活状态的 Conda 环境中，Python 版本为 3.10，GPU 加速也已就绪。

2.2 三步启动提取任务

要验证批注提取功能，我们可以直接使用镜像内置的测试文件进行尝试：

# 步骤1：切换到 MinerU2.5 工作目录 cd /root/MinerU2.5 # 步骤2：执行文档提取命令 mineru -p test.pdf -o ./output --task doc

这里的--task doc表示以完整文档模式运行，涵盖文本、表格、公式以及潜在的批注元素。输出结果会自动保存在当前目录下的./output文件夹中。

2.3 输出内容结构解析

执行完成后，查看输出目录：

ls ./output

你会看到以下几类文件：

content.md：主Markdown文件，包含提取后的正文内容
figures/：存放从PDF中分离出的图片
tables/：结构化保存的表格图像
formulas/：单独提取的数学公式图像

但最关键的问题是：有没有关于批注的内容出现在这些文件里？

3. 批注提取能力实测分析

3.1 测试样本设计

为了全面评估批注识别能力，我们需要准备几种典型场景的PDF文件：

类型	描述
文字批注	使用Adobe Acrobat等工具添加的弹出式注释
高亮标记	对某段文字进行黄色高亮，并附带评论
下划线+备注	标记重点句子并添加说明
删除线修改	原文被划掉，旁边新增修正内容

提示：如果你希望复现实验，可以自行创建这类PDF，或联系作者获取测试样例（非敏感内容）。

3.2 实际运行与结果观察

我们将上述四种类型的PDF逐一输入 MinerU 处理流程，重点关注content.md中是否有对应批注内容出现。

示例1：普通文字批注

原始PDF中有一处右键添加的“这是个重要定义，请注意”。

处理后，在content.md中发现如下片段：

> 【批注】这是个重要定义，请注意

不仅成功捕获，还用标准Markdown引用格式做了标注！

示例2：高亮+评论组合

一段蓝色高亮的文字下方带有评论：“此处逻辑需进一步论证”。

结果中出现了：

<span style="background-color: #add8e6">此处逻辑存在跳跃</span> > 【批注】此处逻辑需进一步论证

连高亮颜色都被还原成了近似色值，且批注独立成行，清晰可读。

示例3：跨页表格旁的批注

在一个分页表格右侧添加了批注：“数据来源需核实”。

令人惊喜的是，尽管该批注位于页面空白处而非单元格内，MinerU 依然将其识别并附加到了表格之后：

<!-- Table: table_001.png --> ![](tables/table_001.png) > 【批注】数据来源需核实

这说明模型具备一定的空间语义理解能力，能判断批注与邻近内容的关联性。

3.3 未能识别的情况汇总

当然，并非所有批注都能完美提取。以下是几个失败案例：

嵌套批注：当多个批注层层叠加时，仅最外层被记录
手写批注（扫描件）：如果是纸质文档扫描后加的手写笔记，属于图像内容，不会被当作结构化批注处理
自定义图章：如“已批准”、“待确认”等图形印章，未转化为文本提示

这些限制符合预期，毕竟模型主要针对电子原生PDF设计，而非OCR场景。

4. 技术原理浅析：为什么它能做到？

4.1 PDF中的批注是如何存储的？

很多人误以为批注是“画上去”的图像，但实际上，在大多数电子PDF中，批注是以注解对象（Annotation Object）的形式存在于PDF结构中的。每个批注包含：

类型（text, highlight, underline等）
位置坐标
内容文本
创建者、时间戳等元信息

这意味着只要解析器支持读取这些元数据，就能直接获取批注内容，无需视觉识别。

4.2 MinerU背后的处理机制

MinerU 并非简单调用 PyPDF2 或 pdfplumber 这类基础库，而是基于magic-pdf[full]构建了一套多阶段处理流水线：

第一阶段：结构解析
- 利用pdfminer.six提取页面布局和文本流
- 同时遍历/Annots字段，收集所有注解对象
第二阶段：视觉增强识别
- 对于模糊或变形的文本区域，启用 GLM-4V-9B 进行视觉补全
- 特别是在公式和图表周围，提升上下文理解准确性
第三阶段：语义融合与排序
- 将结构化批注与正文内容按阅读顺序重新整合
- 使用相对位置算法判断批注归属段落

正是这套“结构优先 + 视觉兜底”的策略，使得批注提取既准确又鲁棒。

4.3 配置文件的关键作用

前面提到的/root/magic-pdf.json配置文件中，其实隐藏了一个影响批注行为的重要设置：

{ "extract-annotations": true, "annotation-format": "blockquote" }

如果此项关闭，则批注功能会被整体禁用。幸运的是，本镜像默认开启该选项，并且采用> 【批注】的引用块格式输出，便于后续检索和样式控制。

5. 实用技巧与优化建议

5.1 如何批量处理带批注的文档？

假设你有一批评审论文需要提取正文和审稿意见，可以编写简单的Shell脚本：

#!/bin/bash for file in *.pdf; do echo "Processing $file..." mineru -p "$file" -o "./output/${file%.pdf}" --task doc done

配合find和grep可快速筛选出所有含批注的文件：

grep -r "【批注】" ./output/ --include="*.md"

5.2 提升批注可见性的排版建议

虽然 MinerU 自动使用>引用格式，但我们可以在后期处理中进一步美化。例如用Python脚本添加HTML标签：

with open("content.md", "r") as f: content = f.read() # 添加CSS类名以便前端高亮显示 content = content.replace("> 【批注】", '> <span class="annotation">【批注】') with open("content_enhanced.md", "w") as f: f.write(content)

这样在网页展示时，可通过CSS统一设置背景色、边框等样式。