版面分析助手

要解决的问题

扫描件、论文 PDF 和拍照文档里的版面信息是「锁」在像素里的：文本块、表格、插图、页眉页脚混排在一起，程序看不到任何结构。开发者想要抽取表格区域、还原阅读顺序，往往要手写规则，一旦版面稍变（多栏、跨页、嵌套表格）规则就失效。这个技能用 surya 文档理解系统把这件事变成一句提示词：告诉它文档图片或 PDF，指定要检测哪些版面元素，就能拿到结构化的区域结果。

核心能力与工作方式

技能支持的版面元素覆盖了常见的文档构成，包括 Text 段落文本、Title 标题、Section-header 小节标题、List-item 列表项、Table 表格、Figure 插图、Caption 图表说明、Footnote 脚注、Formula 公式，以及 Page-header / Page-footer 页眉页脚。典型使用流程分三步：

• 输入文档：提供文档图片或 PDF 路径；
• 指定检测目标：例如「找出这张图里所有的表格和文本块」，或「判断这个 PDF 页面的阅读顺序」；
• 拿回结构：返回检测到的区域及其类型，可结合 OCR 进一步获取区域内的文字。

它同样适用于从论文里提取文档结构、从表单中定位字段区域、处理双栏文章等场景，这些都是真实工程里最容易踩坑的部分。

适用边界与注意点

先明确几点限制，避免误用：

• 手写版面识别准确率有限，扫描质量差或他人批注的文档效果会打折扣；
• 很小的文本区域可能漏检，复杂嵌套布局（如表格里套表格）仍是难点；
• 批量处理建议使用 GPU，纯 CPU 跑多页文档会比较慢；
• 多语言支持表现不一，非英文文档建议先小规模验证；
• 官方最佳实践要求图片分辨率在 150 DPI 以上，必要时先做倾斜校正（deskew），多页文档应逐页处理并核对置信度分数。

它不会替你做语义理解，输出的是版面结构；把区域检测和 OCR、文本抽取组合使用，才能形成完整的文档解析管线。