PDF 解析爲什麼難：一份面向 RAG 的問題清單與解決路線

《PDF 解析爲什麼難：一份面向 RAG 的問題清單與解決路線》是近期博客園技術區的好帖，信息密度大。下面分段講清它的核心內容，看到結尾你就知道該怎麼做了。

核心觀點 ：很多教程把 PDF 進 RAG 簡化成 PDF -> 純文本 -> 切塊 -> 向量庫 。這隻在單欄電子 PDF 上成立。 真實語料中，同一個 .pdf 背後可能是掃描件、亂碼字體、雙欄論文、跨頁表格或公式教材。 跳過結構恢復的代價 ：閱讀順序錯亂、表格列錯位、公式消失、無法回溯原頁。 本文按「問題 → 原則 → 可運行實現」展開，帶你理清 PDF 解析的完整鏈路。 🎯 一、先定目標：重建結構，而非抽取文本 一份 PDF 要進入 RAG，必須先具備以下能力。

核心觀點 ：很多教程把 PDF 進 RAG 簡化成 PDF -> 純文本 -> 切塊 -> 向量庫 。這隻在單欄電子 PDF 上成立。 真實語料中，同一個 .pdf 背後可能是掃描件、亂碼字體、雙欄論文、跨頁表格或公式教材。 跳過結構恢復的代價 ：閱讀順序錯亂、表格列錯位、公式消失、無法回溯原頁。 本文按「問題 → 原則 → 可運行實現」展開，帶你理清 PDF 解析的完整鏈路。 🎯 一、先定目標：重建結構，而非抽取文本 一份 PDF 要進入 RAG，必須先具備以下能力。對應的目標形態是： page -> block（標題/正文/表格/圖片） -> line -> span（文字/公式/資源） 能力維度 解決的問題 文件識別與規範化 擴展名不可信、圖片輸入 文本層判斷 文本 PDF、掃描 PDF、亂碼 PDF 版面識別 標題、正文、表格、圖片、公式分別在哪裏 內容識別 OCR 文字、公式 LaTeX、表格 HTML 閱讀順序恢復 雙欄、側欄、腳註、豎排文字 結構恢復 span、line、block、段落、列表與標題層級 證據保留 頁碼、bbox、圖片資源、解析版本 🔗 二、處理鏈：九個問題，一條固定順序 一份 PDF 進入 RAG 前，要依次解決這九個問題。

核心觀點 ：很多教程把 PDF 進 RAG 簡化成 PDF -> 純文本 -> 切塊 -> 向量庫 。這隻在單欄電子 PDF 上成立。 真實語料中，同一個 .pdf 背後可能是掃描件、亂碼字體、雙欄論文、跨頁表格或公式教材。 跳過結構恢復的代價 ：閱讀順序錯亂、表格列錯位、公式消失、無法回溯原頁。 本文按「問題 → 原則 → 可運行實現」展開，帶你理清 PDF 解析的完整鏈路。 🎯 一、先定目標：重建結構，而非抽取文本 一份 PDF 要進入 RAG，必須先具備以下能力。對應的目標形態是： page -> block（標題/正文/表格/圖片） -> line -> span（文字/公式/資源） 能力維度 解決的問題 文件識別與規範化 擴展名不可信、圖片輸入 文本層判斷 文本 PDF、掃描 PDF、亂碼 PDF 版面識別 標題、正文、表格、圖片、公式分別在哪裏 內容識別 OCR 文字、公式 LaTeX、表格 HTML 閱讀順序恢復 雙欄、側欄、腳註、豎排文字 結構恢復 span、line、block、段落、列表與標題層級 證據保留 頁碼、bbox、圖片資源、解析版本 🔗 二、處理鏈：九個問題，一條固定順序 一份 PDF 進入 RAG 前，要依次解決這九個問題。 1. 核心流程圖 [代碼示例略] 2. 關鍵問題與處理階段 # 問題 處理階段 解決後得到 1 文件類型不可信、需要裁剪頁碼 第四節：統一輸入 可控的頁面輸入 2 沒有文本層，或文本層已是亂碼 第三節：文本/OCR 判斷 選擇原生字符或 OCR 3 標題、正文、表格、頁眉混在一起 第五節：版面識別 按類型劃分的內容區域 4 普通文字、公式、表格無法用同一種識別方法 第七、八、九節：專項識別 帶置信度的文字、HTML 表格、LaTeX 公式 5 雙欄、豎排、側欄、腳註不能只按座標排序 第十節：閱讀順序 可讀的段落順序 6 字符要恢復成行、段落、列表和標題層級 第十節：結構恢復 段落與標題路徑 7 表格行列、表頭、合併單元格、跨頁關係 第八節：表格 保留列關係的 HTML 8 圖片、公式截圖、表格要與原頁對應 第九、十一節：資源與中間結構 可定位的資源與證據 9 切塊必須保留標題路徑、頁碼、bbox 和來源 第十二節：RAG 入庫 可引用的知識塊 💡 注意 ：表格從第一步就被當作獨立內容類型。

核心觀點 ：很多教程把 PDF 進 RAG 簡化成 PDF -> 純文本 -> 切塊 -> 向量庫 。這隻在單欄電子 PDF 上成立。 真實語料中，同一個 .pdf 背後可能是掃描件、亂碼字體、雙欄論文、跨頁表格或公式教材。 跳過結構恢復的代價 ：閱讀順序錯亂、表格列錯位、公式消失、無法回溯原頁。 本文按「問題 → 原則 → 可運行實現」展開，帶你理清 PDF 解析的完整鏈路。 🎯 一、先定目標：重建結構，而非抽取文本 一份 PDF 要進入 RAG，必須先具備以下能力。對應的目標形態是： page -> block（標題/正文/表格/圖片） -> line -> span（文字/公式/資源） 能力維度 解決的問題 文件識別與規範化 擴展名不可信、圖片輸入 文本層判斷 文本 PDF、掃描 PDF、亂碼 PDF 版面識別 標題、正文、表格、圖片、公式分別在哪裏 內容識別 OCR 文字、公式 LaTeX、表格 HTML 閱讀順序恢復 雙欄、側欄、腳註、豎排文字 結構恢復 span、line、block、段落、列表與標題層級 證據保留 頁碼、bbox、圖片資源、解析版本 🔗 二、處理鏈：九個問題，一條固定順序 一份 PDF 進入 RAG 前，要依次解決這九個問題。 1. 核心流程圖 [代碼示例略] 2. 關鍵問題與處理階段 # 問題 處理階段 解決後得到 1 文件類型不可信、需要裁剪頁碼 第四節：統一輸入 可控的頁面輸入 2 沒有文本層，或文本層已是亂碼 第三節：文本/OCR 判斷 選擇原生字符或 OCR 3 標題、正文、表格、頁眉混在一起 第五節：版面識別 按類型劃分的內容區域 4 普通文字、公式、表格無法用同一種識別方法 第七、八、九節：專項識別 帶置信度的文字、HTML 表格、LaTeX 公式 5 雙欄、豎排、側欄、腳註不能只按座標排序 第十節：閱讀順序 可讀的段落順序 6 字符要恢復成行、段落、列表和標題層級 第十節：結構恢復 段落與標題路徑 7 表格行列、表頭、合併單元格、跨頁關係 第八節：表格 保留列關係的 HTML 8 圖片、公式截圖、表格要與原頁對應 第九、十一節：資源與中間結構 可定位的資源與證據 9 切塊必須保留標題路徑、頁碼、bbox 和來源 第十二節：RAG 入庫 可引用的知識塊 💡 注意 ：表格從第一步就被當作獨立內容類型。它不該先變成普通文本再“猜列”，而要直接走表格專用流程。

核心觀點 ：很多教程把 PDF 進 RAG 簡化成 PDF -> 純文本 -> 切塊 -> 向量庫 。這隻在單欄電子 PDF 上成立。 真實語料中，同一個 .pdf 背後可能是掃描件、亂碼字體、雙欄論文、跨頁表格或公式教材。 跳過結構恢復的代價 ：閱讀順序錯亂、表格列錯位、公式消失、無法回溯原頁。 本文按「問題 → 原則 → 可運行實現」展開，帶你理清 PDF 解析的完整鏈路。 🎯 一、先定目標：重建結構，而非抽取文本 一份 PDF 要進入 RAG，必須先具備以下能力。對應的目標形態是： page -> block（標題/正文/表格/圖片） -> line -> span（文字/公式/資源） 能力維度 解決的問題 文件識別與規範化 擴展名不可信、圖片輸入 文本層判斷 文本 PDF、掃描 PDF、亂碼 PDF 版面識別 標題、正文、表格、圖片、公式分別在哪裏 內容識別 OCR 文字、公式 LaTeX、表格 HTML 閱讀順序恢復 雙欄、側欄、腳註、豎排文字 結構恢復 span、line、block、段落、列表與標題層級 證據保留 頁碼、bbox、圖片資源、解析版本 🔗 二、處理鏈：九個問題，一條固定順序 一份 PDF 進入 RAG 前，要依次解決這九個問題。 1. 核心流程圖 [代碼示例略] 2. 關鍵問題與處理階段 # 問題 處理階段 解決後得到 1 文件類型不可信、需要裁剪頁碼 第四節：統一輸入 可控的頁面輸入 2 沒有文本層，或文本層已是亂碼 第三節：文本/OCR 判斷 選擇原生字符或 OCR 3 標題、正文、表格、頁眉混在一起 第五節：版面識別 按類型劃分的內容區域 4 普通文字、公式、表格無法用同一種識別方法 第七、八、九節：專項識別 帶置信度的文字、HTML 表格、LaTeX 公式 5 雙欄、豎排、側欄、腳註不能只按座標排序 第十節：閱讀順序 可讀的段落順序 6 字符要恢復成行、段落、列表和標題層級 第十節：結構恢復 段落與標題路徑 7 表格行列、表頭、合併單元格、跨頁關係 第八節：表格 保留列關係的 HTML 8 圖片、公式截圖、表格要與原頁對應 第九、十一節：資源與中間結構 可定位的資源與證據 9 切塊必須保留標題路徑、頁碼、bbox 和來源 第十二節：RAG 入庫 可引用的知識塊 💡 注意 ：表格從第一步就被當作獨立內容類型。它不該先變成普通文本再“猜列”，而要直接走表格專用流程。 🔍 三、判斷文本 PDF、掃描 PDF 和亂碼 PDF 現象與原因 現象 ：提取結果爲空；部分頁面有文字；整篇結果充滿 (cid:123) 。

行動建議：收藏這篇，下次碰到同類問題先翻出來對照做一遍。好經驗的價值，在於用起來。你最近被這類問題卡過嗎？ 來源｜博客園《PDF 解析爲什麼難：一份面向 RAG 的問題清單與解決路線》，https://www.cnblogs.com/goodhacker/p/23008551.html