代码块识别和排版

[WZZMMM]

🔎 Search before asking | 提交之前请先搜索

• I have searched the MinerU Readme and found no similar bug report.
• I have searched the MinerU Issues and found no similar bug report.
• I have searched the MinerU Discussions and found no similar bug report.

🤖 Consult the online AI assistant for assistance | 在线 AI 助手咨询

• I have consulted the online AI assistant but was unable to obtain a solution to the issue.

Description of the bug | 错误描述

pdf文档内的代码块，
被识别为“代码描述”，但是在markdown文档没有放进代码块里；
仍然有不换行的情况，也基本上没有缩进；
但是会保留代码行号。

How to reproduce the bug | 如何复现

1. 找任意一个latex排版的、包含代码块的pdf文档
2. 通过调用API或者电脑桌面端上传，模型选择MinerU VLM
3. 查看转换后的markdown文档

Operating System Mode | 操作系统类型

No response

Operating System Version| 操作系统版本

Windows 11

Python version | Python 版本

No response

Software version | 软件版本 (mineru --version)

No response

Backend name | 解析后端

No response

Device mode | 设备模式

No response

[dosubot]

Hi @WZZMMM! I'm Dosu and I’m helping the MinerU team.

这个问题在 VLM 后端是一个已确认的 bug，之前在 Issue #4276 和 Issue #3112 中都有用户报告过类似的情况。

根本原因：VLM 后端的 merge_para_with_text() 在拼接代码行时，各行之间只用空格连接，没有插入换行符 \n，导致多行代码被压缩成一行 [1]。此外，span 内容会被 .strip() 处理，导致缩进丢失 [2]。

代码行号保留：PDF 中边栏的行号在 OCR 提取时会混入正文，目前没有内置方式去除。

临时解决方案：

1. 切换到 pipeline 后端：pipeline 后端在处理代码块时会使用 \n 作为行分隔符，换行和格式保留效果更好 [3]。不过 pipeline 后端目前缺少专门的代码块检测模型，代码可能被当作普通文本处理 [4]。
2. 后处理：对输出的 markdown 用正则或脚本恢复换行、去除行号、添加代码围栏。

最近的 PR #4644（2026-03-23 合并）修复了代码块语言检测的问题，但没有解决换行和缩进的问题 [5]。目前也没有类似 -t false（表格转图片）的选项来将代码块输出为图片 [6]。

To reply, just mention @dosu.

---

^{How did I do? Good | Irrelevant | Incorrect | Verbose | Hallucination | Report 🐛 | Other}