之前写 MinerU 文档解析那篇文章的时候，重点讲了 MinerU 比 PyPDF 好在哪，版面分析、表格识别、OCR 集成，确实是目前开源解析工具的第一梯队。

但发出来之后，有不少做过实际项目的读者留言说： “师兄，MinerU 确实强，但它也不是什么都能搞定。我们项目里遇到跨页表格被截断、竖排文字识别错乱、数学公式转 LaTeX 失败这些问题，MinerU 也解决不了。”

这才是真正做过项目的反馈。

上周有个学员面阿里，简历上写了"基于 MinerU 实现文档解析模块"。

面试官直接问：“MinerU 你用下来觉得有什么不足？你怎么解决的？”

他说 MinerU 挺好的，没啥不足。

面试官追问：“跨页的大表格它能正确合并吗？合并单元格它能识别吗？你的文档里有竖排文字吗？有数学公式吗？这些它都能处理？”

他卡住了——不是没遇到过这些问题，而是遇到了但没去解决，觉得"反正大部分文档能解析就行了"。

面试官最后说了一句：“会用工具不是能力，知道工具的边界在哪、怎么补它的短板，才是能力。”

今天就把 MinerU 的短板和改进方案全部拆开讲。

一、先摆正定位：MinerU 强在哪、弱在哪？

MinerU 2.x 在 PDF → Markdown/JSON 的整体精度和速度上确实是同类开源工具的第一梯队。它的核心优势在于版面分析准确（基于深度学习模型识别文本、表格、图片区域）和多模态处理能力（支持 OCR、表格结构识别、公式检测）。

但它的短板集中在边缘场景和复杂格式——这些场景在实际企业文档中出现的频率可能只有 10%-20%，但一旦出现就会严重影响解析质量，进而影响 RAG 系统的检索和回答准确性。

二、九类短板逐一分析

短板一：版面阅读顺序错乱

MinerU 对多栏排版、混合图文的阅读顺序推理不够准确。比如一份两栏排版的保险条款，左栏讲"理赔流程"、右栏讲"所需材料"，MinerU 可能把左栏第一段和右栏第一段混在一起输出，导致内容逻辑错乱。

更麻烦的是竖排文字——中文古籍或某些日文文档中的竖排排版，MinerU 基本无法正确识别阅读方向。

改进思路： 引入基于图网络的阅读顺序推理（GraphLayout），或者用 VLM（视觉语言模型）+ 强化学习微调来学习正确的阅读顺序。对于竖排文字，可以在 OCR 后处理阶段增加文字方向检测和校正。

短板二：跨页表格截断

这是实战中最常遇到的问题。一个大表格横跨两页甚至三页，MinerU 会把每页的表格片段当成独立表格处理，丢失了它们之间的连续关系。上半页有表头和前 20 行，下半页有后 20 行但没有表头——分开处理后，后半段表格变成了一堆没有列名的数字。

改进思路： 在版面检测之后加一个跨页表格合并模块——通过比较相邻页表格的列数、列宽、列名相似度来判断是否是同一个表格。如果是，就将行数据合并并补上表头。也可以用两阶段方法：先用 TableDet 检测表格区域，再用 TableRec 识别表格结构，替换当前基于规则的合并逻辑。

短板三：合并单元格识别失败

保险条款中经常有复杂表格——多行合并、多列合并、嵌套表头。MinerU 对简单的规则表格处理得不错，但遇到合并单元格就容易把行列对应关系搞乱。比如一个"险种"单元格合并了三行，对应三个不同的"赔付额度"，解析后"险种"可能只出现在第一行，后面两行变成了空值。

改进思路： 对旋转或复杂排版的表格，先做 Hough 变换或 DLA（Document Layout Analysis）做方向检测，矫正后再送入表格分割模型。用专门训练的 Table Structure Recognition 模型替代规则方法，这类模型对合并单元格有更好的处理能力。

短板四：小语种和特殊字符 OCR 误识

MinerU 集成了 PaddleOCR，对中英文效果不错，但对拉丁重音字符、阿拉伯语等小语种容易出现混淆。在金融场景中，某些外资保险公司的文档中英混排，英文人名中的特殊字符（如 ü、é）经常被误识。

改进思路： 切换到 PP-OCRv5 多语言模型，并开放语言 fallback 机制——先用主语言模型识别，置信度低的区域自动切换到多语言模型重新识别。

短板五：公式和特殊符号识别失败

数学公式、化学分子式、函数曲线等非文本元素，MinerU 经常漏检或转 LaTeX 失败。在精算类文档中，费率计算公式被识别成乱码，直接导致对应 Chunk 的信息价值归零。

改进思路： 为公式检测增加专门的检测模型（如 PIMask），对识别出的公式区域用 LaTeX-OCR 做专门转换。渲染时统一走 MathJax，确保 $$...$$ 格式的一致性。

短板六：标题层级和结构化语义缺失

MinerU 能识别"这是标题"，但对标题的层级（一级标题还是二级标题）判断不够准确。"第三条"和"3.1"在文档中应该是父子关系，但 MinerU 可能把它们都标记为同级。这直接影响了 Chunk 切分时的层级标签质量。

此外，MinerU 目前没有索引/列表识别功能、代码块识别也不完善——"（1）（2）（3）"这样的列表项不会被标记为列表结构。

改进思路： 用 LLM 辅助分类——MinerU 已经内置了 Qwen2.5 接口，可以在后处理阶段调用 LLM 判断标题层级和内容类型。也可以训练一个轻量的 XGBoost 分类器，基于字体大小、编号格式、缩进等特征做层级判断。

短板七：输出不一致和重复字段

MinerU 的 VLM 模式偶尔会生成重复的文本块或字段名冲突。JSON 输出的顺序也不稳定，同一份文档跑两次可能得到不同顺序的输出。这对下游的 RAG 索引系统来说是个隐患——索引的确定性被破坏了。

改进思路： 统一 middle_json → schema-enforced JSON 的输出流程，对输出做 schema 校验和去重，再映射为 Markdown。

短板八：硬件和文件限制

MinerU 推荐 16GB 内存（32GB 更佳）和 6GB+ 显存。超长文档（几百页的 PDF）容易超时或 OOM。GPU 缓存和 batch-size 管理也不够友好。

改进思路： 把 OCR 模块拆成独立的微服务，增加显存和 CPU 的动态分配。对超长文档做分页分批处理，而不是一次性加载。

短板九：开源协议限制

MinerU 内部依赖的 YOLO 模型使用 AGPL 协议，这在商业项目中可能有合规风险。如果你的公司对开源协议敏感，这一点需要注意。

改进思路： 将 YOLO-AGPL 部分替换为 Apache-2.0 协议的 PP-YOLOE 或 RT-DETR 模型，降低合规风险。

三、简历怎么体现"解决了 MinerU 的短板"？

面试官最想看到的不是"你用了 MinerU"，而是"你知道 MinerU 的边界在哪、你怎么补上了它的不足"。

简历 bullet point 参考：

★

基于 MinerU 搭建文档解析 pipeline，针对其跨页表格截断、标题层级缺失等短板，设计了跨页合并模块（基于列名相似度自动拼接）和 XGBoost 层级分类器（准确率 94%），将表格解析完整率从 75% 提升至 92%，层级识别准确率从 70% 提升至 94%。

面试被问到时的回答框架：

先肯定 MinerU 的价值——“我们选 MinerU 是因为它在版面分析和 OCR 上是开源第一梯队，覆盖了 80% 以上的常见文档。”

再讲你发现了什么短板——“但在我们的金融保险文档中，遇到了跨页表格截断和标题层级不准两个核心问题，影响了约 15% 的文档。”

最后讲你怎么解决的——“我设计了跨页合并模块和层级分类器来补上这两个短板，并通过 badcase 监控持续迭代。”

这个回答展示了三层能力：选型判断力、问题发现能力、工程解决能力。

四、面试怎么答"MinerU 的不足"？

先给定位（10 秒）。 “MinerU 在版面分析和通用 OCR 上是开源第一梯队，但它的短板集中在复杂表格、特殊元素识别和结构化语义三个方面。”

讲核心短板（30 秒）。 “我在项目中遇到的两个最严重的问题：一是跨页表格截断——大表格横跨两页，下半页丢失表头，导致对应 Chunk 信息不完整；二是标题层级不准——'第三条’和’3.1’应该是父子关系，但 MinerU 可能标为同级，影响 Chunk 的层级元数据质量。”

讲怎么解决（30 秒）。 “跨页表格我加了一个合并模块，通过比较相邻页表格的列名相似度判断是否是同一个表格，是的话自动合并并补表头。标题层级我训练了一个 XGBoost 分类器，用编号格式、字体大小、缩进等特征做判断，准确率 94%。”

讲量化效果（10 秒）。 “表格解析完整率从 75% 提升到 92%，层级识别准确率从 70% 提升到 94%。”

写在最后

会用 MinerU 不是能力，知道它的边界在哪、针对你的业务场景补上了它的短板，才是能力。

这个道理不只适用于 MinerU，适用于 RAG 系统中的所有组件——BGE 的 Embedding 在通用场景很强，但在你的保险领域可能需要微调；BM25 对短查询效果好，但对同义词无能为力；Cross-Encoder 重排精度高，但延迟可能不可接受。没有完美的工具，只有在具体场景下做过取舍和改进的工程师。

面试官问"你用的工具有什么不足"，不是要你贬低工具，而是要看你有没有在实践中形成自己的判断力和改进能力。这才是"做过项目"和"只是调了 API"之间的本质区别。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】