patent-ocr-mineru

name	patent-ocr-mineru
description	面向专利场景的 MinerU OCR 与文档解析技能。用于把扫描版专利、授权公告文本、交底书、 附图页、胶底/材料配方资料等文件解析为 Markdown、结构化 JSON 和质量报告，并对权利要求、 说明书章节、附图标记、材料配方与实验数据做专利后处理。触发词：OCR解析、扫描专利解析、 MinerU、PDF转专利文本、交底书OCR、附图OCR、胶底材料解析、专利文件结构化。
metadata	{"triggers":["OCR解析","扫描专利解析","MinerU","PDF转专利文本","专利OCR","交底书OCR","附图OCR","胶底材料解析","专利文件结构化"]}

专利 OCR 与 MinerU 解析

定位

本 skill 不是通用 OCR。它的目标是把专利相关文件解析成后续技能可复用的证据材料，尤其服务于：

• 扫描版中国专利申请文件、授权公告 PDF、全球案卷下载文件；
• 发明人交底书、实验记录、配方表、胶底/材料方案；
• 说明书附图、摘要附图、附图标记页；
• 后续 claims-feature-decomposition、disclosure-review、patent-formality-review、撰写类 skill 的输入预处理。

强制原则

1. 密钥不落盘：MinerU 精准 API token 只从环境变量读取：MINERU_API_TOKEN、MINERU_TOKEN 或 MINERU_API_KEY。不要写入仓库、示例配置、日志或最终报告。
2. 先保留原始证据：保留 MinerU 原始 full.md、content_list.json、zip 包或本地 CLI 输出，再做清洗。不得只交付二次整理文本。
3. 专利章节优先：解析后必须识别并标注说明书摘要、权利要求书、技术领域、背景技术、发明内容、附图说明、具体实施方式、说明书附图等专利章节。
4. 权利要求原文优先：提取权利要求时不得改写技术特征，只能做 OCR 空格/标题级别的清洗。
5. 附图与标号独立核查：出现“图1/图2”等图号时，必须检查是否识别到附图标记表或标号说明。
6. 材料场景专门核查：胶底、橡胶、树脂、硫化、重量份、wt%、硬度、磨耗、剥离等线索必须被单独标注，防止配方表、实验表或单位丢失。
7. 不把 OCR 结果当最终事实：质量报告中出现缺章、缺表、缺标号、异常空格时，必须提示人工复核原 PDF/图片。

选择解析路径

优先级按文件目的决定：

场景	推荐路径	原因
正式专利文件、需要 JSON/zip 证据	precision	MinerU 精准 API 返回 zip，含 Markdown 与结构化 JSON
小文件、临时快速看内容	agent	无需 token，但有大小/页数限制且只返回 Markdown
本地可装 MinerU、涉密资料不宜上传	local	通过本地 mineru CLI 解析，避免外传
附图页、复杂扫描页、材料表页	precision --model-version vlm --ocr-mode ocr	对复杂版面和图文混排更稳

标准命令

以下命令默认在 patent-ocr-mineru skill 目录内执行。

精准 API：推荐正式路径

PowerShell 示例：

$env:MINERU_API_TOKEN = "<your-token>"
python scripts/mineru_patent_ocr.py parse "D:\case\scan.pdf" `
  --service precision `
  --profile patent-application `
  --ocr-mode ocr `
  --model-version vlm `
  --extra-formats docx,html `
  --output-dir "D:\case\ocr-output"

不要把 token 写进命令参数。只用环境变量。

Agent 轻量 API：小文件快速预览

python scripts/mineru_patent_ocr.py parse "D:\case\short.pdf" `
  --service agent `
  --profile disclosure `
  --ocr-mode auto `
  --output-dir "D:\case\ocr-preview"

本地 MinerU CLI：涉密或批量资料

python scripts/mineru_patent_ocr.py parse "D:\case\input.pdf" `
  --service local `
  --profile material-scan `
  --ocr-mode ocr `
  --output-dir "D:\case\ocr-local"

已有 MinerU 输出的后处理

python scripts/mineru_patent_ocr.py postprocess "D:\case\mineru_raw\unzipped" `
  --profile official-patent `
  --output-dir "D:\case\ocr-post"

交付物

脚本统一输出：

• mineru_raw/：MinerU 原始结果，含 zip、full.md 或 JSON；
• patent_ocr_normalized.md：仅做轻度 OCR 清洗后的全文；
• patent_ocr_sections.md：按专利章节切分后的 Markdown；
• patent_ocr_bundle.json：结构化包，含章节、权利要求、图号、附图标记、材料线索；
• patent_ocr_quality_report.json：缺章、缺表、缺标号、OCR 异常等复核项。

专利后处理重点

1. 申请文件五件套识别：说明书摘要、权利要求书、说明书、说明书附图、摘要附图要分开。不能把摘要附图和说明书附图混为正文。
2. 权利要求编号稳定性：重点检查 1.、1、、1． 是否被 OCR 打散；从属权利要求引用关系必须保留。
3. “其特征在于”检测：中国撰写格式下，独立权利要求通常应出现该短语；未出现时不是直接判错，而是列入人工确认。
4. 图号与标号一致性：正文出现图号时，检查附图说明和标号表是否存在；标号行一般形如 10-支架、10、支架、10：支架。
5. 材料/胶底场景：配方表、质量份、百分比、粒径、温度、硬度、磨耗、剥离强度等是高价值数据，OCR 后必须单独标注并核查单位。
6. 交底书场景：优先抽取技术问题、技术方案、有益效果、应用场景、替代方案、实验数据；不要强行套完整申请文件结构。
7. 页眉页脚处理：MinerU 可能把页眉页脚放入 discarded blocks。正式撰写前必须确认页码、页眉、申请号等是否混入正文证据。

质量自检

输出前检查：

• 是否存在 mineru_raw/ 原始文件；
• patent_ocr_bundle.json 是否包含 sections、claims、figures、quality_report；
• 质量报告风险等级是否为 low/medium/high，且 warnings 不为空时已告知用户；
• 材料资料是否标出配方/参数/测试数据线索；
• 未在任何文件中写入 MinerU token。

参考资料

• MinerU API 文档：https://mineru.net/apiManage/docs
• MinerU CLI 文档：https://opendatalab.github.io/MinerU/usage/cli_tools/
• MinerU 输出文件格式：https://opendatalab.github.io/MinerU/reference/output_files/

更多接口差异与专利 schema 见 references/mineru-integration-notes.md 和 references/patent-ocr-schema.md。