08 · 文档解析

PDF、表格、图片里的知识怎么掏出来

📚 《AI 知识库开发入门》第 8/20 篇 · 下一篇：09 · 分块 Chunking

解析难度金字塔：文本 < 单栏 PDF < 多栏 PDF < 表格 < 扫描件 < 图文混排。

01 PDF 三型

文本型（直接抽）、扫描型（走 OCR）、混合型（分页判别）。判别方法：能否选中复制文字。

02 表格两条路

转 Markdown 表（保结构，适合简单表）或转一问一答（适合被高频查询的关键表）。涉及数字的关键表格建议问答化——行列错位是数字灾难的头号来源。

03 图片与图表

多模态解析在进步但有边界：流程图、架构图建议人工补文字说明后入库。

04 动手

解析一份含表格的 PDF 并验证表格问答 → 验收：表内数字能被正确问出。

05 小结

解析结果必须抽查原文比对——解析器不会告诉你它错了。下一篇讲切块。

📎 实战案例

多栏 PDF 被按行横读，两栏内容拼成乱话，抽查才发现。财务表转纯文本后行列全丢、数字张冠李戴。团队改成关键表格问答化、解析后必抽查原文比对——解析器不会告诉你它错了。

踩坑

• 多栏 PDF 被按行横读，两栏拼成乱话，我抽查才发现——解析后抽查是必须动作。
• 财务表转纯文本后行列对应全丢，AI 答的数字张冠李戴——那次之后关键表格一律问答化。