Your browser does not seem to support JavaScript. As a result, your viewing experience will be diminished, and you have been placed in read-only mode.
Please download a browser that supports JavaScript, or enable it if it's disabled (i.e. NoScript).
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。
页眉页脚要清，不然每个 chunk 都带公司名和页码，embedding 会被污染。
还有跨页条款。PDF 视觉上是一条，文本抽出来在页尾断开。
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。
解析器能不能自动判断标题？
能，但别盲信。中文制度里“一、”“（一）”“1.” 混用，解析器也会迷糊。
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。
这算硬规则吗？
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。
我先把解析结果导出成 Markdown 给业务看，不直接进库。
对，业务能读懂的中间件很重要。RAG 的输入先让人能审。
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。
你好！看起来您对这段对话很感兴趣，但您还没有一个账号。
厌倦了每次访问都刷到同样的帖子？您注册账号后，您每次返回时都能精准定位到您上次浏览的位置，并可选择接收新回复通知（通过邮件或推送通知）。您还能收藏书签、为帖子顶，向社区成员表达您的欣赏。
有了你的建议，这篇帖子会更精彩哦 💗
