MinerU so với pdftotext khi đọc báo cáo kinh tế Việt Nam
MinerU chuyển PDF thành Markdown bằng layout model và OCR. Project của mình cần lấy số liệu sạch từ báo cáo kinh tế Việt Nam, nên ngày 14/10/2026 mình test xem MinerU 4 có đọc tốt hơn pdftotext -layout không, đây là tool đơn giản có sẵn trong poppler. Với PDF có lớp chữ thì không. Nó chỉ thắng ở bản scan.
Mình test thế nào
- Ba nguồn có thật: một báo cáo của World Bank về Việt Nam, báo cáo Article IV năm 2025 của IMF về Việt Nam, và báo cáo quý 3/2026 của Tổng cục Thống kê, bằng tiếng Việt.
- 60 con số trong bảng, số nào cũng so với ảnh của trang để xem đúng giá trị, đúng hàng, đúng cột.
- 200 chữ tiếng Việt từ một PDF có lớp chữ.
- Một bảng scan (Bảng 4 của IMF, dạng ảnh bitmap, có 8 con số) và một trang được render ra PNG để buộc phải OCR (100 chữ).
- Bản flash và bản basic của MinerU so với
pdftotext -layout, tất cả chạy local trên Mac.
Kết quả
Ngày 14/10/2026, chạy local trên một cái Mac:
- Số trong bảng đọc đúng, PDF có chữ (trên 60): pdftotext 57; MinerU flash 43; MinerU basic 57
- Số trong bảng scan đọc đúng (trên 8): pdftotext 0; MinerU flash 0; MinerU basic 6
- Chữ tiếng Việt đúng, PDF có chữ (trên 200): pdftotext 200; MinerU flash 200; MinerU basic 200
- Chữ tiếng Việt đúng, OCR từ ảnh (trên 100): pdftotext 0; MinerU flash 53; MinerU basic 53
- Số giây mỗi trang: pdftotext 0,002; MinerU flash 0,10 tới 0,18; MinerU basic 0,69 tới 1,43
Với PDF có lớp chữ, bản local tốt nhất của MinerU chỉ hoà pdftotext, mà mỗi trang tốn thời gian gấp vài trăm lần. Bản nhanh hơn của nó còn sai thêm 14 con số trong bảng. Ở bản scan thì chỉ có MinerU đọc ra được, nhưng 6/8 con số là 75%, trong khi mình cần 95% mới dám tin một con số. Đọc từ ảnh thì nó ra đúng 53% số chữ tiếng Việt.
Giờ mình làm thế nào
PDF có lớp chữ thì mình vẫn dùng pdftotext. Khi Tổng cục Thống kê có đăng thêm file .docx hay .xlsx, mình đọc thẳng mấy file đó chứ không đi qua PDF.
Những gì mình chưa test
Bản standard của MinerU, và mấy file PDF cũ của cơ quan nhà nước dùng font tiếng Việt đời cũ (TCVN3, VNI). Đó là những trường hợp mình sẽ test lại. Mẫu còn nhỏ: sai một con số là điểm lệch 1,7.