Skip to main content

MinerU content_list JSON 结构说明

content_list.json（v1）和 content_list_v2.json（v2）是 MinerU pipeline 输出的结构化内容文件，记录每页的文本块、标题、表格等信息。本文档基于实际输出归纳。

content_list.json（v1）​

顶层结构​

平铺数组，每个元素是一个内容块，按阅读顺序排列，跨页不分组。

[
  { "type": "text", "text": "...", "bbox": [...], "page_idx": 0 },
  { "type": "text", "text": "...", "bbox": [...], "page_idx": 0 },
  { "type": "table", "text": "", "table_body": "<table>...", "page_idx": 1 }
]

公共字段​

字段类型说明
typestring块类型：text / table / page_number
bbox[x1, y1, x2, y2]边界框坐标
page_idxint页码（0 起始）

各类型特有字段​

text​

{
  "type": "text",
  "text": "正文内容",
  "text_level": 2,
  "bbox": [137, 274, 314, 291],
  "page_idx": 0
}
字段说明
text纯文本内容
text_level仅标题出现，表示层级（1/2/3...）

table​

{
  "type": "table",
  "text": "",
  "img_path": "images/xxx.jpg",
  "table_caption": ["1. 表格标题"],
  "table_footnote": [],
  "table_body": "<table><tr>...</tr></table>",
  "bbox": [98, 413, 894, 836],
  "page_idx": 1
}
字段类型说明
textstring始终为空 ""，不要依赖
img_pathstring表格截图路径
table_captionstring[]表格标题，纯字符串数组（非 dict）
table_footnotestring[]表格脚注
table_bodystring表格内容的 HTML 字符串

提取文本：拼接 table_caption + 对 table_body 剥离 HTML 标签。

page_number​

{
  "type": "page_number",
  "text": "3",
  "bbox": [487, 897, 506, 915],
  "page_idx": 2
}

text 字段直接就是页码数字。

content_list_v2.json（v2）​

顶层结构​

按页嵌套的二维数组。外层每个元素是一页，内层是该页的内容块列表。

[
  [ {page 0 的块...} ],
  [ {page 1 的块...} ],
  [ {page 2 的块...} ]
]

公共字段​

字段类型说明
typestring块类型：paragraph / title / table / page_number
bbox[x1, y1, x2, y2]边界框坐标
contentobject所有文本内容均嵌套在此对象中

提取规则​

文本永远不直接出现在块顶层。必须递归进入 content → 各子键 → 子元素的 content 字段。

text（叶子节点）​

所有文本最终都落脚到这种叶子节点：

{ "type": "text", "content": "实际文字内容" }

提取：取 content 字段。

paragraph​

{
  "type": "paragraph",
  "content": {
    "paragraph_content": [
      { "type": "text", "content": "段落文字1" },
      { "type": "text", "content": "段落文字2" }
    ]
  },
  "bbox": [136, 296, 862, 355]
}

提取：遍历 content.paragraph_content[]，对每个元素递归取 content。

title​

{
  "type": "title",
  "content": {
    "title_content": [
      { "type": "text", "content": "标题文字" }
    ],
    "level": 2
  },
  "bbox": [137, 274, 314, 291]
}

提取：遍历 content.title_content[]，递归取 content。content.level 是标题层级（忽略）。

table​

{
  "type": "table",
  "content": {
    "image_source": { "path": "images/xxx.jpg" },
    "table_caption": [
      { "type": "text", "content": "1. 表格标题" }
    ],
    "table_footnote": [],
    "html": "<table><tr><td>...</td></tr></table>",
    "table_type": "complex_table",
    "table_nest_level": 1
  },
  "bbox": [98, 413, 894, 836]
}
字段类型说明
image_source{"path": "..."}表格截图，dict 类型（非 string）
table_captiondict[]表格标题，元素为 {type:"text", content:"..."}
table_footnotedict[]脚注，同 caption 结构
htmlstring表格内容的 HTML 字符串
table_typestringsimple_table / complex_table
table_nest_levelint嵌套层级

提取文本：递归提取 table_caption + table_footnote 中的文字，对 html 字段剥离 HTML 标签。

page_number​

{
  "type": "page_number",
  "content": {
    "page_number_content": [
      { "type": "text", "content": "3" }
    ]
  },
  "bbox": [487, 897, 506, 915]
}

提取：遍历 content.page_number_content[]，递归取 content。

v1 vs v2 对比​

维度v1v2
结构平铺数组按页嵌套 [[], [], ...]
分页page_idx 字段外层数组索引
文本位置block.text递归：block.content.{*}_content[].content
表格标题字符串数组 ["text"]dict 数组 [{type:"text", content:"text"}]
表格正文table_body (HTML)html (HTML)
表格截图img_path (string)image_source.path (嵌套 dict)

已知坑点​

1. 跨页表格的延续页无文本​

MinerU 将完整 HTML 只放在表格起始页，后续溢出页的 table 块 html 为空、table_caption 为空，仅保留 image_source。代码需容忍某页提取出 0 字符文本。

2. simple_table 无 HTML​

table_type: "simple_table" 的表格通常无 html 字段或为空，文字存在于截图中。这种情况只能依赖截图，无法提取文本。

3. v1 表格 text 始终为空​

不要用 v1 的 text 字段判断表格是否有内容 —— 它永远是 ""。必须从 table_caption + table_body 提取。

4. v2 image_source 是 dict​

// v2
"image_source": { "path": "images/xxx.jpg" }

// v1
"img_path": "images/xxx.jpg"

v2 中 image_source 是对象而非字符串，遍历 content 的键值对时需跳过 dict 类型的值。