MinerU 输出文件说明

概览

mineru 命令执行后，除了输出主要的 markdown 文件外，还会生成多个辅助文件用于调试、质检和进一步处理。这些文件包括：

具体会生成哪些文件，取决于后端类型和输入文档类型。

• 可视化调试文件：帮助用户直观了解文档解析过程和结果
• 结构化数据文件：包含详细的解析数据，可用于二次开发
• 多模态 markdown 输出中，image / chart 默认以截图为主；若块内存在 content，会在图片后追加一个默认折叠的 HTML <details> 内容块，其中折叠标题优先使用块的 sub_type，否则回退为 image content 或 chart content

下面将详细介绍每个文件的作用和格式。

可视化调试文件

布局分析文件 (layout.pdf)

文件命名格式：{原文件名}_layout.pdf

功能说明：

• 可视化展示每一页的布局分析结果
• 每个检测框右上角的数字表示阅读顺序
• 使用不同背景色块区分不同类型的内容块

使用场景：

• 检查布局分析是否正确
• 确认阅读顺序是否合理
• 调试布局相关问题

文本片段文件 (span.pdf)

[!NOTE] 仅适用于 pipeline 后端

文件命名格式：{原文件名}_span.pdf

功能说明：

• 根据 span 类型使用不同颜色线框标注页面内容
• 用于质量检查和问题排查

使用场景：

• 快速排查文本丢失问题
• 检查行内公式识别情况
• 验证文本分割准确性

结构化数据文件

[!IMPORTANT] 2.5版本vlm后端的输出存在较大变化，与pipeline版本存在不兼容情况，如需基于结构化输出进行二次开发，请仔细阅读本文档内容。

pipeline 后端 输出结果

模型推理结果 (model.json)

文件命名格式：{原文件名}_model.json

示例数据

[
    {
        "cls_id": 12,
        "label": "header",
        "score": 0.93,
        "bbox": [
            1217,
            104,
            1516,
            134
        ],
        "index": 2
    },
    {
        "cls_id": 6,
        "label": "doc_title",
        "score": 0.9751,
        "bbox": [
            275,
            181,
            1512,
            292
        ],
        "index": 3
    },
    {
        "cls_id": 22,
        "label": "text",
        "score": 0.9217,
        "bbox": [
            275,
            330,
            524,
            370
        ],
        "index": 4
    }
]

中间处理结果 (middle.json)

文件命名格式：{原文件名}_middle.json

顶层结构

页面信息结构 (pdf_info)

块结构层次

一级块 (table | image | chart)
└── 二级块
    └── 行 (line)
        └── 片段 (span)

一级块字段

二级块字段

二级块类型

行和片段结构

行 (line) 字段：

• bbox：行的矩形框坐标
• spans：包含的片段列表

片段 (span) 字段：

• bbox：片段的矩形框坐标
• type：片段类型（image、table、chart、text、inline_equation、interline_equation）
• content | image_path：文本内容或图片路径

示例数据

{
    "pdf_info": [
        {
            "preproc_blocks": [
                {
                    "type": "text",
                    "bbox": [
                        52,
                        61.956024169921875,
                        294,
                        82.99800872802734
                    ],
                    "lines": [
                        {
                            "bbox": [
                                52,
                                61.956024169921875,
                                294,
                                72.0000228881836
                            ],
                            "spans": [
                                {
                                    "bbox": [
                                        54.0,
                                        61.956024169921875,
                                        296.2261657714844,
                                        72.0000228881836
                                    ],
                                    "content": "dependent on the service headway and the reliability of the departure ",
                                    "type": "text",
                                    "score": 1.0
                                }
                            ]
                        }
                    ]
                }
            ],
            "layout_bboxes": [
                {
                    "layout_bbox": [
                        52,
                        61,
                        294,
                        731
                    ],
                    "layout_label": "V",
                    "sub_layout": []
                }
            ],
            "page_idx": 0,
            "page_size": [
                612.0,
                792.0
            ],
            "_layout_tree": [],
            "images": [],
            "tables": [],
            "interline_equations": [],
            "discarded_blocks": [],
            "para_blocks": [
                {
                    "type": "text",
                    "bbox": [
                        52,
                        61.956024169921875,
                        294,
                        82.99800872802734
                    ],
                    "lines": [
                        {
                            "bbox": [
                                52,
                                61.956024169921875,
                                294,
                                72.0000228881836
                            ],
                            "spans": [
                                {
                                    "bbox": [
                                        54.0,
                                        61.956024169921875,
                                        296.2261657714844,
                                        72.0000228881836
                                    ],
                                    "content": "dependent on the service headway and the reliability of the departure ",
                                    "type": "text",
                                    "score": 1.0
                                }
                            ]
                        }
                    ]
                }
            ]
        }
    ],
    "_backend": "pipeline",
    "_version_name": "0.6.1"
}

内容列表 (content_list.json)

文件命名格式：{原文件名}_content_list.json

功能说明

这是一个简化版的 middle.json，按阅读顺序平铺存储所有可读内容块，去除了复杂的布局信息，便于后续处理。

内容类型

文本层级标识

通过 text_level 字段区分文本层级：

• 无 text_level 或 text_level: 0：正文文本
• text_level: 1：一级标题
• text_level: 2：二级标题
• 以此类推...

通用字段

• 所有内容块都包含 page_idx 字段，表示所在页码（从 0 开始）。
• 所有内容块都包含 bbox 字段，表示内容块的边界框坐标 [x0, y0, x1, y1] 映射在0-1000范围内的结果。
• code 类型会通过 sub_type 区分 code 和 algorithm，并可包含 code_body、code_caption、code_footnote 等字段。
• list 类型可通过 sub_type 区分普通列表和参考文献列表。
• image / chart 类型可包含可选 sub_type 字段，用于透传视觉子类型。
• 印章内容通过 sub_type: "seal" 的 image 类型表示。

示例数据

[
        {
        "type": "text",
        "text": "The response of flow duration curves to afforestation ",
        "text_level": 1, 
        "bbox": [
            62,
            480,
            946,
            904
        ],
        "page_idx": 0
    },
    {
        "type": "image",
        "img_path": "images/a8ecda1c69b27e4f79fce1589175a9d721cbdc1cf78b4cc06a015f3746f6b9d8.jpg",
        "image_caption": [
            "Fig. 1. Annual flow duration curves of daily flows from Pine Creek, Australia, 1989–2000. "
        ],
        "image_footnote": [],
        "bbox": [
            62,
            480,
            946,
            904
        ],
        "page_idx": 1
    },
    {
        "type": "equation",
        "img_path": "images/181ea56ef185060d04bf4e274685f3e072e922e7b839f093d482c29bf89b71e8.jpg",
        "text": "$$\nQ _ { \\% } = f ( P ) + g ( T )\n$$",
        "text_format": "latex",
        "bbox": [
            62,
            480,
            946,
            904
        ],
        "page_idx": 2
    },
    {
        "type": "table",
        "img_path": "images/e3cb413394a475e555807ffdad913435940ec637873d673ee1b039e3bc3496d0.jpg",
        "table_caption": [
            "Table 2 Significance of the rainfall and time terms "
        ],
        "table_footnote": [
            "indicates that the rainfall term was significant at the $5 \\%$ level, $T$ indicates that the time term was significant at the $5 \\%$ level, \\* represents significance at the $10 \\%$ level, and na denotes too few data points for meaningful analysis. "
        ],
        "table_body": "<html><body><table><tr><td rowspan=\"2\">Site</td><td colspan=\"10\">Percentile</td></tr><tr><td>10</td><td>20</td><td>30</td><td>40</td><td>50</td><td>60</td><td>70</td><td>80</td><td>90</td><td>100</td></tr><tr><td>Traralgon Ck</td><td>P</td><td>P,*</td><td>P</td><td>P</td><td>P,</td><td>P,</td><td>P,</td><td>P,</td><td>P</td><td>P</td></tr><tr><td>Redhill</td><td>P,T</td><td>P,T</td><td>，*</td><td>**</td><td>P.T</td><td>P,*</td><td>P*</td><td>P*</td><td>*</td><td>，*</td></tr><tr><td>Pine Ck</td><td></td><td>P,T</td><td>P,T</td><td>P,T</td><td>P,T</td><td>T</td><td>T</td><td>T</td><td>na</td><td>na</td></tr><tr><td>Stewarts Ck 5</td><td>P,T</td><td>P,T</td><td>P,T</td><td>P,T</td><td>P.T</td><td>P.T</td><td>P,T</td><td>na</td><td>na</td><td>na</td></tr><tr><td>Glendhu 2</td><td>P</td><td>P,T</td><td>P,*</td><td>P,T</td><td>P.T</td><td>P,ns</td><td>P,T</td><td>P,T</td><td>P,T</td><td>P,T</td></tr><tr><td>Cathedral Peak 2</td><td>P,T</td><td>P,T</td><td>P,T</td><td>P,T</td><td>P,T</td><td>*,T</td><td>P,T</td><td>P,T</td><td>P,T</td><td>T</td></tr><tr><td>Cathedral Peak 3</td><td>P.T</td><td>P.T</td><td>P,T</td><td>P,T</td><td>P,T</td><td>T</td><td>P,T</td><td>P,T</td><td>P,T</td><td>T</td></tr><tr><td>Lambrechtsbos A</td><td>P,T</td><td>P</td><td>P</td><td>P,T</td><td>*,T</td><td>*,T</td><td>*,T</td><td>*,T</td><td>*,T</td><td>T</td></tr><tr><td>Lambrechtsbos B</td><td>P,T</td><td>P,T</td><td>P,T</td><td>P,T</td><td>P,T</td><td>P,T</td><td>P,T</td><td>P,T</td><td>T</td><td>T</td></tr><tr><td>Biesievlei</td><td>P,T</td><td>P.T</td><td>P,T</td><td>P,T</td><td>*,T</td><td>*,T</td><td>T</td><td>T</td><td>P,T</td><td>P,T</td></tr></table></body></html>",
        "bbox": [
            62,
            480,
            946,
            904
        ],  
        "page_idx": 5
    }
]

通用内容列表 V2 (content_list_v2.json)(开发中，格式可能调整)

文件命名格式：{原文件名}_content_list_v2.json

功能说明

content_list_v2.json 是 3.0 起新增的结构化输出文件，所有后端都会在保留 content_list.json 的同时额外输出该文件：

• 顶层是按页分组的列表，便于按页消费结果
• 每个内容块使用统一的 type + content 结构，适合程序化处理
• 不同后端和输入类型支持的 type 会有所不同

通用字段

其中 image / chart 类型还可能包含可选顶层字段 sub_type，用于表示视觉子类型。

常见类型

title_content、paragraph_content、说明文字等行内内容通常由 span 列表组成。 hyperlink span 包含 content、url，当同一个链接内存在多段不同样式文本时， 还会包含 children；此时 content 是 children 文本的拼接，精确样式以 children 中的 text span 为准。

示例数据

[
    [
        {
            "type": "title",
            "content": {
                "title_content": [
                    {
                        "type": "text",
                        "content": "1 Introduction"
                    }
                ],
                "level": 1
            },
            "bbox": [
                83,
                121,
                917,
                156
            ]
        },
        {
            "type": "page_footnote",
            "content": {
                "page_footnote_content": [
                    {
                        "type": "text",
                        "content": "* Corresponding author"
                    }
                ]
            },
            "bbox": [
                71,
                815,
                915,
                841
            ]
        }
    ]
]

VLM 后端 输出结果

模型推理结果 (model.json)

文件命名格式：{原文件名}_model.json

文件格式说明

• 该文件为 VLM 模型的原始输出结果，包含两层嵌套list，外层表示页面，内层表示该页的内容块
• 每个内容块都是一个dict，包含 type、bbox、angle、content 字段

支持的内容类型

{
    "text": "文本",
    "title": "标题", 
    "equation": "行间公式",
    "image": "图片",
    "image_caption": "图片描述",
    "image_footnote": "图片脚注",
    "table": "表格",
    "table_caption": "表格描述",
    "table_footnote": "表格脚注",
    "phonetic": "拼音",
    "code": "代码块",
    "code_caption": "代码描述",
    "ref_text": "参考文献",
    "algorithm": "算法块",
    "list": "列表",
    "header": "页眉",
    "footer": "页脚",
    "page_number": "页码",
    "aside_text": "装订线旁注", 
    "page_footnote": "页面脚注"
}

坐标系统说明

bbox 坐标格式：[x0, y0, x1, y1]

• 分别表示左上、右下两点的坐标
• 坐标原点在页面左上角
• 坐标为相对于原始页面尺寸的百分比，范围在0-1之间

示例数据

[
    [
        {
            "type": "header",
            "bbox": [
                0.077,
                0.095,
                0.18,
                0.181
            ],
            "angle": 0,
            "score": null,
            "block_tags": null,
            "content": "ELSEVIER",
            "format": null,
            "content_tags": null
        },
        {
            "type": "title",
            "bbox": [
                0.157,
                0.228,
                0.833,
                0.253
            ],
            "angle": 0,
            "score": null,
            "block_tags": null,
            "content": "The response of flow duration curves to afforestation",
            "format": null,
            "content_tags": null
        }
    ]
]

中间处理结果 (middle.json)

文件命名格式：{原文件名}_middle.json

文件格式说明

vlm 后端的 middle.json 文件结构与 pipeline 后端类似，但存在以下差异：

• list变成二级block，增加sub_type字段区分list类型:

  • text（文本类型）
  • ref_text（引用类型）

• 增加code类型block，code类型包含两种"sub_type":

  • 分别是code和algorithm
  • 至少有code_body, 可选code_caption

• discarded_blocks内元素type增加以下类型:

  • header（页眉）
  • footer（页脚）
  • page_number（页码）
  • aside_text（装订线文本）
  • page_footnote（脚注）

• 所有block增加angle字段，用来表示旋转角度，0，90，180，270

示例数据

• list block 示例

  {
      "bbox": [
          174,
          155,
          818,
          333
      ],
      "type": "list",
      "angle": 0,
      "index": 11,
      "blocks": [
          {
              "bbox": [
                  174,
                  157,
                  311,
                  175
              ],
              "type": "text",
              "angle": 0,
              "lines": [
                  {
                      "bbox": [
                          174,
                          157,
                          311,
                          175
                      ],
                      "spans": [
                          {
                              "bbox": [
                                  174,
                                  157,
                                  311,
                                  175
                              ],
                              "type": "text",
                              "content": "H.1 Introduction"
                          }
                      ]
                  }
              ],
              "index": 3
          },
          {
              "bbox": [
                  175,
                  182,
                  464,
                  229
              ],
              "type": "text",
              "angle": 0,
              "lines": [
                  {
                      "bbox": [
                          175,
                          182,
                          464,
                          229
                      ],
                      "spans": [
                          {
                              "bbox": [
                                  175,
                                  182,
                                  464,
                                  229
                              ],
                              "type": "text",
                              "content": "H.2 Example: Divide by Zero without Exception Handling"
                          }
                      ]
                  }
              ],
              "index": 4
          }
      ],
      "sub_type": "text"
  }
  

• code block 示例

  {
      "type": "code",
      "bbox": [
          114,
          780,
          885,
          1231
      ],
      "blocks": [
          {
              "bbox": [
                  114,
                  780,
                  885,
                  1231
              ],
              "lines": [
                  {
                      "bbox": [
                          114,
                          780,
                          885,
                          1231
                      ],
                      "spans": [
                          {
                              "bbox": [
                                  114,
                                  780,
                                  885,
                                  1231
                              ],
                              "type": "text",
                              "content": "1 // Fig. H.1: DivideByZeroNoExceptionHandling.java  \n2 // Integer division without exception handling.  \n3 import java.util.Scanner;  \n4  \n5 public class DivideByZeroNoExceptionHandling  \n6 {  \n7 // demonstrates throwing an exception when a divide-by-zero occurs  \n8 public static int quotient( int numerator, int denominator )  \n9 {  \n10 return numerator / denominator; // possible division by zero  \n11 } // end method quotient  \n12  \n13 public static void main(String[] args)  \n14 {  \n15 Scanner scanner = new Scanner(System.in); // scanner for input  \n16  \n17 System.out.print(\"Please enter an integer numerator: \");  \n18 int numerator = scanner.nextInt();  \n19 System.out.print(\"Please enter an integer denominator: \");  \n20 int denominator = scanner.nextInt();  \n21"
                          }
                      ]
                  }
              ],
              "index": 17,
              "angle": 0,
              "type": "code_body"
          },
          {
              "bbox": [
                  867,
                  160,
                  1280,
                  189
              ],
              "lines": [
                  {
                      "bbox": [
                          867,
                          160,
                          1280,
                          189
                      ],
                      "spans": [
                          {
                              "bbox": [
                                  867,
                                  160,
                                  1280,
                                  189
                              ],
                              "type": "text",
                              "content": "Algorithm 1 Modules for MCTSteg"
                          }
                      ]
                  }
              ],
              "index": 19,
              "angle": 0,
              "type": "code_caption"
          }
      ],
      "index": 17,
      "sub_type": "code"
  }
  

内容列表 (content_list.json)

文件命名格式：{原文件名}_content_list.json

文件格式说明

vlm 后端的 content_list.json 文件结构与 pipeline 后端类似，伴随本次middle.json的变化，做了以下调整：

• 新增code类型，code类型包含两种"sub_type":

  • 分别是code和algorithm
  • 至少有code_body, 可选code_caption

• 新增list类型，list类型包含两种"sub_type":

  • text
  • ref_text

• image / chart 类型可能带有可选 sub_type 字段，用于透传视觉子类型

• chart 类型除 img_path 外，还可包含 content、chart_caption、chart_footnote，其中 content 保持原始 Markdown 表格文本

• 增加所有所有discarded_blocks的输出内容

  • header
  • footer
  • page_number
  • aside_text
  • page_footnote

• 3.0 起，vlm 后端也会同时输出 *_content_list_v2.json，其通用结构见上文“通用内容列表 V2”。

示例数据

• code 类型 content

  {
      "type": "code",
      "sub_type": "algorithm",
      "code_caption": [
          "Algorithm 1 Modules for MCTSteg"
      ],
      "code_body": "1: function GETCOORDINATE(d)  \n2:  $x \\gets d / l$ ,  $y \\gets d$  mod  $l$   \n3: return  $(x, y)$   \n4: end function  \n5: function BESTCHILD(v)  \n6:  $C \\gets$  child set of  $v$   \n7:  $v' \\gets \\arg \\max_{c \\in C} \\mathrm{UCTScore}(c)$   \n8:  $v'.n \\gets v'.n + 1$   \n9: return  $v'$   \n10: end function  \n11: function BACK PROPAGATE(v)  \n12: Calculate  $R$  using Equation 11  \n13: while  $v$  is not a root node do  \n14:  $v.r \\gets v.r + R$ ,  $v \\gets v.p$   \n15: end while  \n16: end function  \n17: function RANDOMSEARCH(v)  \n18: while  $v$  is not a leaf node do  \n19: Randomly select an untried action  $a \\in A(v)$   \n20: Create a new node  $v'$   \n21:  $(x, y) \\gets \\mathrm{GETCOORDINATE}(v'.d)$   \n22:  $v'.p \\gets v$ ,  $v'.d \\gets v.d + 1$ ,  $v'.\\Gamma \\gets v.\\Gamma$   \n23:  $v'.\\gamma_{x,y} \\gets a$   \n24: if  $a = -1$  then  \n25:  $v.lc \\gets v'$   \n26: else if  $a = 0$  then  \n27:  $v.mc \\gets v'$   \n28: else  \n29:  $v.rc \\gets v'$   \n30: end if  \n31:  $v \\gets v'$   \n32: end while  \n33: return  $v$   \n34: end function  \n35: function SEARCH(v)  \n36: while  $v$  is fully expanded do  \n37:  $v \\gets$  BESTCHILD(v)  \n38: end while  \n39: if  $v$  is not a leaf node then  \n40:  $v \\gets$  RANDOMSEARCH(v)  \n41: end if  \n42: return  $v$   \n43: end function",
      "bbox": [
          510,
          87,
          881,
          740
      ],
      "page_idx": 0
  }
  

• list 类型 content

  {
      "type": "list",
      "sub_type": "text",
      "list_items": [
          "H.1 Introduction",
          "H.2 Example: Divide by Zero without Exception Handling",
          "H.3 Example: Divide by Zero with Exception Handling",
          "H.4 Summary"
      ],
      "bbox": [
          174,
          155,
          818,
          333
      ],
      "page_idx": 0
  }
  

• discarded 类型 content

  [{
      "type": "header",
      "text": "Journal of Hydrology 310 (2005) 253-265",
      "bbox": [
          363,
          164,
          623,
          177
      ],
      "page_idx": 0
  },
  {
      "type": "page_footnote",
      "text": "* Corresponding author. Address: Forest Science Centre, Department of Sustainability and Environment, P.O. Box 137, Heidelberg, Vic. 3084, Australia. Tel.: +61 3 9450 8719; fax: +61 3 9450 8644.",
      "bbox": [
          71,
          815,
          915,
          841
      ],
      "page_idx": 0
  }]
  

总结

以上文件为 MinerU 的完整输出结果，用户可根据需要选择合适的文件进行后续处理：

• 模型输出(使用原始输出):

  • model.json

• 调试和验证(使用可视化文件):

  • layout.pdf
  • span.pdf

• 内容提取(使用简化文件):

  • *.md
  • content_list.json
  • content_list_v2.json

• 二次开发(使用结构化文件):

  • middle.json

Source: docs/zh/reference/output_files.md