求助怎么配置MinerU3.4.5版本，能够ocr识别专利文件的时候，过滤掉行号

[Wxx1250227780]

专利文件会有行号的标识，如果ocr不进行过滤直接识别，会产生大量的脏数据，求助怎么配置能够避免？
下面是MinerU3.4.5版本的版面分析结果，35、36、37、38、39块左侧的数字如：5、10、15、20、25、30、35是行号

识别的结果md文件如下所示

下面这个是原始文件
高導電性·高強度銅合金_JP1983021014B2_layout.pdf

[dosubot[bot]]

3.4.5 的公开 CLI 参数里没有“过滤专利行号”的专用开关，不能靠一个配置项直接解决。该版本 Hybrid 后处理会把 aside_text（边栏文字）、页眉、页脚、页码归入丢弃块，但普通 text 会保留。因此，如果行号被识别成正文，现有的边栏过滤就不会生效。[1] [2]

针对你描述的版面，建议采用下面的定制处理，而不是在最终 Markdown 中直接删除数字：

• 行号是独立小框：根据文本内容和 bbox 联合过滤，只删除位于行号窄列、内容为纯数字，并且沿纵向呈 5、10、15… 序列的候选框。该版本中间块保留了 bbox 和文本内容，可以据此实现过滤。[2]
• 行号已经混入正文框：建议在送入 MinerU 前，将行号所在的窄条区域遮白，再识别。双栏专利要分别处理两栏的行号区域，不要只裁整页左边距。这里是预处理建议，不是 MinerU 自带配置，也不要直接删除整个正文框。

附件链接这边未能读取，所以还不能确认你的样本属于哪一种。可以补充当前解析命令，以及一个包含行号的 middle.json 块（带 bbox、type、lines），这样可以确定过滤应放在独立块层面，还是需要先遮掉行号。

To reply, just mention @dosu.

---

Docs are dead. Just use Dosu.

[Wxx1250227780]

高導電性·高強度銅合金_JP1983021014B2_middle.json
这是包含行号的 middle.json 块

[dosubot[bot]]

这份 JSON 确认属于“行号已经混入正文”的情况，不能按独立数字框过滤。例如第 1 页 index=36 的内容出现了 高導5電性、実10操業，index=37 出现 知られ15て；这些数字与正文共用一个段落级 span 和 bbox，没有单独的行号坐标。因此，直接删除这些块或改成 aside_text 会连正文一起丢掉。[1]

建议把处理前移到识别之前：

1. 将原始 PDF 页面渲染成图片。
2. 在图片上定位并遮白行号的小区域，双栏分别处理，避免覆盖相邻正文。
3. 将处理后的图片交给 MinerU 重新解析。先用前两页验证效果，再批量处理。这是定制预处理方案，不是现成的配置开关。

不建议对 Markdown 全局删除 5、10、15、20…：样本中还有真实的 10～50%、50% 等数值，第 2 页甚至出现了疑似行号与数值粘连的 200.004～0.050，仅靠数字正则难以安全区分。[1]

另外，这份产物末尾记录的是 _backend: "vlm"、_version_name: "3.4.4"，不是 3.4.5 的版本标记。建议核对它是否来自本次运行；上一条提到的 Hybrid 边栏过滤机制不能直接套用到这份 VLM 产物上。[1]

To reply, just mention @dosu.

---

Share context across your team and agents. Try Dosu.