解析pdf中的html链接，会出现多余空格

[xiaotaozi121096]

Description of the bug | 错误描述

解析pdf中的html链接，会出现多余空格

How to reproduce the bug | 如何复现

正常运行提取pdf，但不使用公式识别，只用layoutlmv3和paddleocr

Operating system | 操作系统

Linux

Python version | Python 版本

3.10

Software version | 软件版本 (magic-pdf --version)

0.8.x

Device mode | 设备模式

cuda

[myhloli]

请把pdf文件上传一下

[xiaotaozi121096]

从spans文件中看，划分是正确的，但是md文件就会出现多余的空格
DCU镜像使用手册-v1.8.0_origin_origin.md
DCU镜像使用手册-v1.8.0_origin_origin.pdf
DCU镜像使用手册-v1.8.0_origin_origin_spans.pdf


这是我的magic_pdf版本

[myhloli]

之前的ocr框选范围太贴字边了，可能会有些ocr出错的情况
最近修复了这个问题，可以在huggingface或modelscope的在线demo上验证

另外建议使用auto模式，这篇文档用auto模式可以正常提取文本信息且准确率较高，只有在auto模式不理想的情况下才使用ocr模式。

[xiaotaozi121096]

是我需要下载最新版本的magic-pdf就能解决吗？我默认使用的就是auto，只是在pipe/UNiPipe中，选择了PIP_ocr,而不是PIP_txt

[myhloli]

新版本没有release，仅在dev分支进行测试。因为涉及到一些模型的更新，目前不能直接更新，请等待后续新版本发布。
如果有测试的需求，可以在在线demo上进行测试。

[xiaotaozi121096]

我当前用的版本，layout.pdf,也是像你一样的输出，但是md就会出现空格，想知道你用的是什么版本，我去测试下，在魔搭上测试，确实没有空格

[myhloli]

我使用的是dev分支的版本

[xiaotaozi121096]

这个版本是只更新了代码，扩大了框选范围，还是也更新了模型？是替换了模型吗？

[myhloli]

模型有更新，解析处理的逻辑也有更新，这个版本的变动是比较大的

[xiaotaozi121096]

好嘞，期待新版本了

[xiaotaozi121096]

我用了dev版本，结果还是会出现空格，估计是没换模型的原因吧，我模型还是用之前的

[myhloli]

我用了dev版本，结果还是会出现空格，估计是没换模型的原因吧，我模型还是用之前的

空格和模型无关，dev不能直接升级，估计你这个是没安装成功

[xiaotaozi121096]

选择dev分支，然后下载的

[xiaotaozi121096]

我用了dev版本，结果还是会出现空格，估计是没换模型的原因吧，我模型还是用之前的

空格和模型无关，dev不能直接升级，估计你这个是没安装成功

嗯嗯，是我的问题，安装了dev的包，但是magic-pdf还是用之前下载的，卸载magic-pdf后，pip install -e . 就使用dev的版本了，报错模型不对，我安装模型试试，抱歉