[Bug]: MinerU PDF positions are emitted in the service’s normalized bbox space instead of PDF page space

快速结论：用 MinerU OCR 模型解析含大表格的 PDF 时，若“跳转到原文”高亮、分块缩略图或按需裁剪区域出现整体比例偏移，通常说明后端把 MinerU 返回的 0–1000 归一化 bbox 直接当成 PDF 页面坐标写入了 positions / _pdf_positions，优先排查 Go 侧 mineruBBoxPosition 是否做了坐标换算。

适用环境：已确认：RAGFlow 源码提交 4e240ab24（分支 fix/paddleocr-pdf-highlights，基于 upstream/main，合并提交 3c79c1958）；Go 摄取链路、PDF 解析、MinerU OCR 模型。相关症状在 v0.25.1 / v0.26.2 上有报告。Issue 未提供操作系统、Python、CUDA、显卡信息。

最快修复方案：升级到包含 #21267 的 main 分支构建；该修复让 mineruBBoxPosition 用 middle.json 中的 page_size 把 0..1000 的 content_list bbox 换算为 PDF 点坐标后再写入位置字段。

注意事项：该结论来自源码审查与已有症状报告 #16268 的对照，并非在真实 MinerU 服务上复现验证；不同 MinerU 版本 content_list.json 的 bbox 空间可能不同（0–1000、0–1 或原始像素），升级后仍需确认所使用的 MinerU 版本与 middle.json 是否提供有效 page_size，缺失时坐标可能仍不可用。

问题场景

用户在 RAGFlow 中配置 MinerU OCR 模型并解析 PDF（尤其是包含宽表或大表格的文档）后，前端“跳转到原文”的高亮框、分块缩略图以及按需裁剪页面区域出现整体偏移。偏移表现为坐标被乘以一个固定比例，与页面实际内容位置不吻合。用户看到的不是坐标缺失，而是坐标数值错误；重新解析同一文件仍会复现。

报错原文

[Bug]: MinerU PDF positions are emitted in the service's normalized bbox space instead of PDF page space

The offset appears to be multiplied by a fixed scaling factor, as if bounding box coordinates are not being correctly converted to display coordinates

原因分析

最可能的原因：Go 摄取链路中的 mineruBBoxPosition（internal/ingestion/component/pdf_vision_dispatch.go）仅把 MinerU 的 0 基 page_idx 转为 1 基页码、重排 bbox 顺序，就直接返回 [page, left, right, top, bottom]，全程没有按页面尺寸做缩放。MinerU 的 content_list.json bbox 是 0–1000 归一化坐标，而下游消费者按 PDF 点（72 dpi 页面尺寸）解释这些值，因此写入 _pdf_positions 和 positions 的坐标与真实页面位置存在比例偏差。

Python 侧的 deepdoc/parser/mineru_parser.py 已有 _content_bbox_to_page_space 和 _middle_bbox_to_page_space 做换算，并分别处理 0–1000 归一化、0–1 归一化与源像素三种情况，在页面尺寸缺失或无效时打印警告；Go 路径缺少对应逻辑，导致同一条链路上两条解析路径行为不一致。该判断基于源码审查与 #16268 的症状对照，未在实际 MinerU 服务上复现。

环境排查

确认 RAGFlow 版本或提交号是否包含 #21267；若未包含，则问题大概率仍存在。
确认解析 PDF 使用的是 MinerU OCR 模型路径，而非 PaddleOCR 或 pdf_parser_paddleocr.go 相关路径（后者已用 pdfium.PageSizes 做换算）。
确认所用 MinerU 版本的 content_list.json bbox 是 0–1000 归一化、0–1 归一化还是源像素，这决定换算系数。
确认 middle.json 中是否存在有效 page_size；缺失或无效时换算无法进行。
Issue 未提供操作系统、Python、CUDA、PyTorch、显卡版本信息，无需以这些版本作为排查前置条件。

解决步骤

先判定是否为同一问题：解析一份已知页面尺寸、含大表格的 PDF，核对保存的 positions / _pdf_positions 数值。若数值落在 0–1000 范围而页面尺寸明显大于该范围，基本可确认坐标未换算。
更新到包含 #21267 的 main 分支构建，使 mineruBBoxPosition 按 middle.json 的 page_size 把 0..1000 的 content_list bbox 换算为 PDF 点坐标。
若无法立即升级，可按 Python 侧 _content_bbox_to_page_space 的逻辑自行在 Go 路径中补换算：左/右按宽度、上/下按高度分别乘以页面尺寸除以 1000，并保证输出仍为 1 基页码的 [page, left, right, top, bottom]。此项为根据 Issue 期望行为的推导，可优先尝试。
当无法确定 bbox 空间或页面尺寸缺失时，按 Python 侧行为记录警告，而不是静默写入不可用坐标。
重新解析受影响的 PDF，不要仅依赖旧解析结果；已有的错误坐标不会自动更正。

验证方法

重新解析同一份含大表格的 PDF 后，检查 positions / _pdf_positions 是否与页面点坐标量级一致（而非集中在 0–1000）；在前端验证“跳转到原文”高亮框、分块缩略图和按需裁剪区域是否与原文位置吻合，重点观察宽表区域。若坐标仍按固定比例整体偏移，说明换算未生效或页面尺寸取值有误，需继续核对 MinerU 版本对应的 bbox 空间。