marker-pdf提取图片时被拆分的原因及解决方法

问题背景 #

使用marker-pdf库进行PDF转Markdown操作时，原PDF中的完整图片在生成的MD文件中被拆分为两部分。已执行的操作：

• 安装库：pip install marker-pdf
• 执行转换命令：

marker_single /path/to/file.pdf /path/to/output/folder --batch_multiplier 2 --max_pages 10 

原因分析 #

这个问题大概率和marker-pdf的边界框（bounding box）计算逻辑或图片区块合并机制有关：

• 部分PDF生成工具会将大图片拆分为多个底层图像对象存储，marker-pdf检测时会把这些对象识别为独立图片；
• marker的区块检测逻辑对图片的连续性判断阈值过高，导致视觉上连续的图片被判定为多个独立区块；
• --batch_multiplier参数开启的并行处理可能干扰了区块合并的准确性，导致相邻图片块未被正确合并。

解决办法 #

1. 调整转换参数优化区块合并 #

尝试添加或调整控制区块合并的参数，降低拆分概率：

marker_single /path/to/file.pdf /path/to/output/folder --max_pages 10 --line_merge_threshold 0.5 --min_confidence 0.6

• --line_merge_threshold：控制相邻区块的合并阈值，值越大越容易合并；
• --min_confidence：降低内容识别的置信度阈值，减少误拆分；
• 可先去掉--batch_multiplier参数，改用单线程处理，避免并行导致的区块处理异常。

2. 预处理PDF文件 #

如果PDF本身存在图片分块的底层结构，先通过PDF编辑工具（如Adobe Acrobat）将拆分的图片重新合并，或使用Ghostscript优化PDF的图像对象后再转换：

gs -dNOPAUSE -dBATCH -sDEVICE=pdfwrite -dPDFSETTINGS=/prepress -sOutputFile=optimized.pdf input.pdf

3. 修改marker-pdf源码调整合并逻辑 #

找到marker-pdf源码中处理图片区块的模块（通常在marker/blocks/block.py或marker/images.py），调整边界框合并的判断条件：

• 增加对相邻图片区块的位置、重叠度判断，当两个图片区块的间距小于设定值（如5px）时，强制合并为一个区块；
• 修改merge_blocks函数中的合并阈值，优化图片区块的合并逻辑。

4. 尝试marker-pdf的开发版本 #

如果是已知bug，可尝试安装开发版获取修复：

pip install git+https://github.com/VikParuchuri/marker.git

内容的提问来源于stack exchange，提问作者Mali