1. 为什么图文与 PDF 解析是 RAG 系统最容易被低估的环节做过 RAG 项目的人都有一个共同体会文本类数据的导入和切分其实不难真正让人头疼的是那些带图、带表、带扫描件的 PDF 文档。你随便打开一个企业的知识库目录里面大概率躺着产品手册、合同扫描件、技术白皮书、财务报表、培训 PPT 导出的 PDF这些东西如果不处理好RAG 系统的回答质量会直接崩掉。我在实际项目里踩过的最典型的坑是这样的一个客户的知识库里有一批产品规格书纯文本部分抽取出来大概只占整个文档内容的 40%剩下的全是参数表格、结构示意图、性能曲线图。第一版系统上线后用户问“这个型号的额定电流是多少”系统要么答不出来要么给出一个完全无关的数字。排查后发现表格在 PDF 解析时被压成了一堆乱序的文本碎片图片则直接被丢弃了。这就是典型的“解析没做好后面全白搭”。这一篇要聊的就是 RAG 数据导入与解析的第二块硬骨头图文混排文档和 PDF 的解析方案。核心会围绕三个层面展开OCR 怎么选、多模态大模型怎么用、九种主流 PDF 解析工具各自适合什么场景。如果你正在搭建 RAG 知识库或者手头有一堆 PDF 不知道怎么处理这篇内容应该能帮你省下不少试错时间。2. 图文混排文档的解析难点到底在哪2.1 三种文档形态的技术挑战差异在动手选工具之前先把文档形态分清楚。不同类型的文档解析难度和方案选择完全不同。第一种原生电子 PDF。这类文档由 Word、LaTeX、排版软件直接导出文字层是完整的可以直接复制。看起来最好处理但实际上坑也不少——多栏排版会导致阅读顺序错乱表格的单元格合并会让结构化抽取变得困难公式和特殊符号经常出现编码问题。第二种扫描件 PDF。整页都是图片没有文字层。这类文档必须走 OCR 流程而 OCR 的质量直接决定了后续所有环节的上限。扫描质量差、有倾斜、有印章遮挡、有手写批注的文档OCR 错误率会急剧上升。第三种图文混排 PDF。这是最复杂的一类。文字、图片、表格、图表混在一起图片里可能还嵌着文字比如流程图、架构图、界面截图。传统的文本抽取只能拿到文字层的内容图片里的信息全部丢失。而恰恰是这些图片往往承载着最关键的信息。2.2 为什么传统解析方案在 RAG 场景下不够用传统的 PDF 解析工具比如早期的 PyPDF2、pdfminer设计目标是“把文字提取出来”而不是“理解文档结构”。它们不关心这段文字属于哪个段落、这个表格有几行几列、这张图和哪段文字相关。在 RAG 场景下这种“扁平化”的输出是致命的。RAG 的核心链路是文档解析 → 内容切分 → 向量化 → 检索 → 生成。如果解析阶段丢失了结构信息切分阶段就会把不相关的内
