PDF 解析出来标题层级全丢，RAG 怎么救？

[nora]

Docling 可以试，尤其是需要保留结构时。Unstructured 的 partition 也可以按元素类型拆。

[小周]

我们之前用 pdfplumber 直接抽文本，速度快，但目录、页眉、表格全混进去了。

[林小北]

页眉页脚要清，不然每个 chunk 都带公司名和页码，embedding 会被污染。

[米饭]

还有跨页条款。PDF 视觉上是一条，文本抽出来在页尾断开。

[小路灯]

建议先做“解析质量验收”，不是直接入库。抽 20 页人工看标题、段落、表格、页码。

[小树]

解析器能不能自动判断标题？

[阿白]

能，但别盲信。中文制度里“一、”“（一）”“1.” 混用，解析器也会迷糊。

[半糖]

我们最后加了规则：连续短行、字号更大、前后空行，才当标题。不是纯 AI。

[不想写周报]

这算硬规则吗？

[林小北]

文档结构规则不是假 AI。假的是拿规则装智能问答。生产里解析需要规则和模型配合。

[半截薯条]

我先把解析结果导出成 Markdown 给业务看，不直接进库。

[nora]

对，业务能读懂的中间件很重要。RAG 的输入先让人能审。

[半截薯条]

更新：换 Docling 后标题好很多，表格还得单独处理，但至少不是一坨了。