真实场景下文档解析中的2大类8个常见问题：目录层级解析、布局检测、阅读顺序及长表格拼接

正文

请到「今天看啥」查看全文

使用两个模型，可以分别使用公开的布局检测数据和公式检测数据（例如公式检测数据里边没有标注布局信息，需要重新标注才能用） 。

使用两个模型，将布局检测标注和公式检测标注任务解耦，能大幅提升标注效率。 布局检测标注关注页面的多样性；公式检测关注具有公式的页面，且需足够多样；公式检测和布局检测的样本解耦，对标注员更加容易理解，标注效率高 。

2、 布局检测的问题，这说的是模型泛化性的问题 。https://github.com/opendatalab/MinerU/issues/2303，

这种问题是因为文档block块之间的间距太大了，判定为一个整体的特征并不明显。至于解法，可以补充相应的数据集。

3、阅读顺序的错误识别问题

还有版面分析左右布局阅读顺序的识别错误 ，https://github.com/opendatalab/MinerU/issues/1882

又如：

基于这种检测手段，在后续解析的过程中，会明显出现对标题截断分成了两个标题的情况，并且中间还存在标题右侧的相关信息。

请到「今天看啥」查看全文