PDF 解析为什么难：一份面向 RAG 的问题清单与解决路线

《PDF 解析为什么难：一份面向 RAG 的问题清单与解决路线》是近期博客园技术区的好帖，信息密度大。下面分段讲清它的核心内容，看到结尾你就知道该怎么做了。

核心观点 ：很多教程把 PDF 进 RAG 简化成 PDF -> 纯文本 -> 切块 -> 向量库 。这只在单栏电子 PDF 上成立。 真实语料中，同一个 .pdf 背后可能是扫描件、乱码字体、双栏论文、跨页表格或公式教材。 跳过结构恢复的代价 ：阅读顺序错乱、表格列错位、公式消失、无法回溯原页。 本文按「问题 → 原则 → 可运行实现」展开，带你理清 PDF 解析的完整链路。 🎯 一、先定目标：重建结构，而非抽取文本 一份 PDF 要进入 RAG，必须先具备以下能力。

核心观点 ：很多教程把 PDF 进 RAG 简化成 PDF -> 纯文本 -> 切块 -> 向量库 。这只在单栏电子 PDF 上成立。 真实语料中，同一个 .pdf 背后可能是扫描件、乱码字体、双栏论文、跨页表格或公式教材。 跳过结构恢复的代价 ：阅读顺序错乱、表格列错位、公式消失、无法回溯原页。 本文按「问题 → 原则 → 可运行实现」展开，带你理清 PDF 解析的完整链路。 🎯 一、先定目标：重建结构，而非抽取文本 一份 PDF 要进入 RAG，必须先具备以下能力。对应的目标形态是： page -> block（标题/正文/表格/图片） -> line -> span（文字/公式/资源） 能力维度 解决的问题 文件识别与规范化 扩展名不可信、图片输入 文本层判断 文本 PDF、扫描 PDF、乱码 PDF 版面识别 标题、正文、表格、图片、公式分别在哪里 内容识别 OCR 文字、公式 LaTeX、表格 HTML 阅读顺序恢复 双栏、侧栏、脚注、竖排文字 结构恢复 span、line、block、段落、列表与标题层级 证据保留 页码、bbox、图片资源、解析版本 🔗 二、处理链：九个问题，一条固定顺序 一份 PDF 进入 RAG 前，要依次解决这九个问题。

核心观点 ：很多教程把 PDF 进 RAG 简化成 PDF -> 纯文本 -> 切块 -> 向量库 。这只在单栏电子 PDF 上成立。 真实语料中，同一个 .pdf 背后可能是扫描件、乱码字体、双栏论文、跨页表格或公式教材。 跳过结构恢复的代价 ：阅读顺序错乱、表格列错位、公式消失、无法回溯原页。 本文按「问题 → 原则 → 可运行实现」展开，带你理清 PDF 解析的完整链路。 🎯 一、先定目标：重建结构，而非抽取文本 一份 PDF 要进入 RAG，必须先具备以下能力。对应的目标形态是： page -> block（标题/正文/表格/图片） -> line -> span（文字/公式/资源） 能力维度 解决的问题 文件识别与规范化 扩展名不可信、图片输入 文本层判断 文本 PDF、扫描 PDF、乱码 PDF 版面识别 标题、正文、表格、图片、公式分别在哪里 内容识别 OCR 文字、公式 LaTeX、表格 HTML 阅读顺序恢复 双栏、侧栏、脚注、竖排文字 结构恢复 span、line、block、段落、列表与标题层级 证据保留 页码、bbox、图片资源、解析版本 🔗 二、处理链：九个问题，一条固定顺序 一份 PDF 进入 RAG 前，要依次解决这九个问题。 1. 核心流程图 [代码示例略] 2. 关键问题与处理阶段 # 问题 处理阶段 解决后得到 1 文件类型不可信、需要裁剪页码 第四节：统一输入 可控的页面输入 2 没有文本层，或文本层已是乱码 第三节：文本/OCR 判断 选择原生字符或 OCR 3 标题、正文、表格、页眉混在一起 第五节：版面识别 按类型划分的内容区域 4 普通文字、公式、表格无法用同一种识别方法 第七、八、九节：专项识别 带置信度的文字、HTML 表格、LaTeX 公式 5 双栏、竖排、侧栏、脚注不能只按坐标排序 第十节：阅读顺序 可读的段落顺序 6 字符要恢复成行、段落、列表和标题层级 第十节：结构恢复 段落与标题路径 7 表格行列、表头、合并单元格、跨页关系 第八节：表格 保留列关系的 HTML 8 图片、公式截图、表格要与原页对应 第九、十一节：资源与中间结构 可定位的资源与证据 9 切块必须保留标题路径、页码、bbox 和来源 第十二节：RAG 入库 可引用的知识块 💡 注意 ：表格从第一步就被当作独立内容类型。

核心观点 ：很多教程把 PDF 进 RAG 简化成 PDF -> 纯文本 -> 切块 -> 向量库 。这只在单栏电子 PDF 上成立。 真实语料中，同一个 .pdf 背后可能是扫描件、乱码字体、双栏论文、跨页表格或公式教材。 跳过结构恢复的代价 ：阅读顺序错乱、表格列错位、公式消失、无法回溯原页。 本文按「问题 → 原则 → 可运行实现」展开，带你理清 PDF 解析的完整链路。 🎯 一、先定目标：重建结构，而非抽取文本 一份 PDF 要进入 RAG，必须先具备以下能力。对应的目标形态是： page -> block（标题/正文/表格/图片） -> line -> span（文字/公式/资源） 能力维度 解决的问题 文件识别与规范化 扩展名不可信、图片输入 文本层判断 文本 PDF、扫描 PDF、乱码 PDF 版面识别 标题、正文、表格、图片、公式分别在哪里 内容识别 OCR 文字、公式 LaTeX、表格 HTML 阅读顺序恢复 双栏、侧栏、脚注、竖排文字 结构恢复 span、line、block、段落、列表与标题层级 证据保留 页码、bbox、图片资源、解析版本 🔗 二、处理链：九个问题，一条固定顺序 一份 PDF 进入 RAG 前，要依次解决这九个问题。 1. 核心流程图 [代码示例略] 2. 关键问题与处理阶段 # 问题 处理阶段 解决后得到 1 文件类型不可信、需要裁剪页码 第四节：统一输入 可控的页面输入 2 没有文本层，或文本层已是乱码 第三节：文本/OCR 判断 选择原生字符或 OCR 3 标题、正文、表格、页眉混在一起 第五节：版面识别 按类型划分的内容区域 4 普通文字、公式、表格无法用同一种识别方法 第七、八、九节：专项识别 带置信度的文字、HTML 表格、LaTeX 公式 5 双栏、竖排、侧栏、脚注不能只按坐标排序 第十节：阅读顺序 可读的段落顺序 6 字符要恢复成行、段落、列表和标题层级 第十节：结构恢复 段落与标题路径 7 表格行列、表头、合并单元格、跨页关系 第八节：表格 保留列关系的 HTML 8 图片、公式截图、表格要与原页对应 第九、十一节：资源与中间结构 可定位的资源与证据 9 切块必须保留标题路径、页码、bbox 和来源 第十二节：RAG 入库 可引用的知识块 💡 注意 ：表格从第一步就被当作独立内容类型。它不该先变成普通文本再“猜列”，而要直接走表格专用流程。

核心观点 ：很多教程把 PDF 进 RAG 简化成 PDF -> 纯文本 -> 切块 -> 向量库 。这只在单栏电子 PDF 上成立。 真实语料中，同一个 .pdf 背后可能是扫描件、乱码字体、双栏论文、跨页表格或公式教材。 跳过结构恢复的代价 ：阅读顺序错乱、表格列错位、公式消失、无法回溯原页。 本文按「问题 → 原则 → 可运行实现」展开，带你理清 PDF 解析的完整链路。 🎯 一、先定目标：重建结构，而非抽取文本 一份 PDF 要进入 RAG，必须先具备以下能力。对应的目标形态是： page -> block（标题/正文/表格/图片） -> line -> span（文字/公式/资源） 能力维度 解决的问题 文件识别与规范化 扩展名不可信、图片输入 文本层判断 文本 PDF、扫描 PDF、乱码 PDF 版面识别 标题、正文、表格、图片、公式分别在哪里 内容识别 OCR 文字、公式 LaTeX、表格 HTML 阅读顺序恢复 双栏、侧栏、脚注、竖排文字 结构恢复 span、line、block、段落、列表与标题层级 证据保留 页码、bbox、图片资源、解析版本 🔗 二、处理链：九个问题，一条固定顺序 一份 PDF 进入 RAG 前，要依次解决这九个问题。 1. 核心流程图 [代码示例略] 2. 关键问题与处理阶段 # 问题 处理阶段 解决后得到 1 文件类型不可信、需要裁剪页码 第四节：统一输入 可控的页面输入 2 没有文本层，或文本层已是乱码 第三节：文本/OCR 判断 选择原生字符或 OCR 3 标题、正文、表格、页眉混在一起 第五节：版面识别 按类型划分的内容区域 4 普通文字、公式、表格无法用同一种识别方法 第七、八、九节：专项识别 带置信度的文字、HTML 表格、LaTeX 公式 5 双栏、竖排、侧栏、脚注不能只按坐标排序 第十节：阅读顺序 可读的段落顺序 6 字符要恢复成行、段落、列表和标题层级 第十节：结构恢复 段落与标题路径 7 表格行列、表头、合并单元格、跨页关系 第八节：表格 保留列关系的 HTML 8 图片、公式截图、表格要与原页对应 第九、十一节：资源与中间结构 可定位的资源与证据 9 切块必须保留标题路径、页码、bbox 和来源 第十二节：RAG 入库 可引用的知识块 💡 注意 ：表格从第一步就被当作独立内容类型。它不该先变成普通文本再“猜列”，而要直接走表格专用流程。 🔍 三、判断文本 PDF、扫描 PDF 和乱码 PDF 现象与原因 现象 ：提取结果为空；部分页面有文字；整篇结果充满 (cid:123) 。

行动建议：收藏这篇，下次碰到同类问题先翻出来对照做一遍。好经验的价值，在于用起来。你最近被这类问题卡过吗？ 来源｜博客园《PDF 解析为什么难：一份面向 RAG 的问题清单与解决路线》，https://www.cnblogs.com/goodhacker/p/23008551.html