[4.0.7] pdf识别，文字不全，但转为png图片识别，文字全了

[doublex640]

我这有一本 pdf，其中有一页文字始终识别不全（丢失部分文字），于是我单独抽取这一页内容，抽取成 pdf 和 png 图片这两种格式分别 ocr。也供你们测试。
经济解释 卷1 科学说需求_12.pdf

另外，在 ocr 这一页 pdf 时，日志中有大量的 Ignoring wrong pointing object。
以下是识别结果，左侧是 pdf 识别结果，右侧是 png 识别结果。

[chrikrah]

@doublex640 这页 PDF 没有文字层，pypdfium2 和 pdfminer 都读到 0 字符，所以两条路都走 OCR。我把同一页按 100/150/200/432 dpi 各渲染一遍再识别，六列字每次都认全了，432 dpi 反而比 100 dpi 少一个字，所以渲染分辨率在这页上不是分水岭。你导出的那张 2151x3488 PNG，也只是页内那张 300 dpi 扫描图的重采样。

$ /tmp/g10pdf/bin/python probe.py        # 附件 1._12.pdf, sha256 3dc0ee47ce6c...
import pypdfium2 as pdfium
from pdfminer.high_level import extract_text
doc = pdfium.PdfDocument(P); page = doc[0]; w, h = page.get_size()
print(len(page.get_textpage().get_text_range()), len(extract_text(P).strip()))
print(w/72, h/72, [o.get_metadata() for o in page.get_objects() if o.type == 3][0])
---
pypdfium2 5.13.0 | pdfminer.six 20260107 | docvortex 0.5.8 | MinerU 4.0.10 (ed50cc1)
embedded text layer: pypdfium2 0 chars, pdfminer 0 chars
page 4.98x8.07 in | embedded scan 1494x2422 px @ 300 dpi

$ /tmp/g10pdf/bin/python sweep.py        # rapidocr-onnxruntime 1.4.4
for dpi in [100, 150, 200, 432]:
    res, _ = ocr(np.array(page.render(scale=dpi/72).to_pil().convert("RGB")))
    print(dpi, page_size, len(res), sum(len(b[1]) for b in res))
---
100 dpi (498x808)    lines 6 chars 47
150 dpi (747x1212)   lines 6 chars 47
200 dpi (996x1615)   lines 6 chars 46   <- MinerU 的 PDF 路径
432 dpi (2152x3488)  lines 6 chars 45   <- 你贴的 PNG
# 四档都是同样六列: 觉来小园行遍 / 重寻无处 / 惊断。夜茫茫 / 一叶，黯黯梦云 / 纵如三鼓，铿然 / 取自苏轼《永遇乐·彭城夜宿燕子楼》
# not run: MinerU 自己的识别栈。上面用的是 RapidOCR，所以这组数字说的是渲染，不是 MinerU 的准确率。

你提到的 Ignoring wrong pointing object 我不觉得可以放掉：它来自 xref 解析，只出现在 PDF 这条路上，而丢字也只出现在这条路上。另外 PDF 渲染确实被钉死在 200 dpi（默认参数在 mineru/backend/analysis/pdf/images.py:63，常量在 :8 从 docvortex 0.5.8 导入，唯一调用处 window.py:379 没传 dpi），但按上面的结果，这页的问题不在那里。

左边那栏是用哪个后端跑的，pipeline 还是 vlm，完整命令是什么？能把 Ignoring wrong pointing object 前后几行日志也贴上来吗？