RAG知识库中——文档预处理效果不好的原因与解决办法

如果你做过智能问答等场景的业务，那么你肯定遇到过流程正确，但效果很差的问题；而很多人包括网上很多方案都在说要更换embedding模型，调整chunk策略，优化召回方式等。但事实上主要原因都集中在文档处理上，文档处理的不好，哪怕你把前面几个步骤都优化到极致，依然效果不好。

问题出在哪？

问题是你的数据源都没处理好，怎么可能期望它能有一个好结果。

做文档处理首先需要解决的就是文档加载读取的问题，在真实的业务场景中，文档来源和形式都很复杂，包括但不仅限于word，pdf，ppt，excel，txt，图片等多种不同类型的文档类型，而不同的文档类型需要使用不同的文档读取工具。

其次，有些文档是由多种不同模态的数据组成，如pdf/word文档中可以同时有文字，图片，表格等多种格式的数据；而为了召回的准确性，这些不同的内容格式需要进行不同的处理。

我们以pdf文档为例，pdf文档分为两种，一种是可读取，另一种是扫描件；其中可读取的pdf文件只需要使用pdf处理工具即可加载，然后处理其文件内容，而扫描件只能使用OCR等技术去识别文档的内容，因为扫描件本质上类似于图片，无法直接读取到图片里的内容，所以只能对内容进行识别。

但这里有一个问题是，OCR识别的内容有时并不准确，甚至很多时候会出现一些错误。

以上内容是关于文档加载与解析，不论是使用pdf处理工具，还是使用OCR等技术，亦或者使用pandas等处理excel文档，都是第一步获取文档内容。

在真实的业务场景中，第一步可能会使用多种方式，比如说使用OCR，多模态模型，各种文档处理工具等。而且为了提升文档等解析效果，很多时候会使用多种策略组合的方式，比如说同时支持多种不同类型的文档格式，可以选择不同的解析策略。

数据清洗

在第一步文档解析拿到文档内容之后，拿到的文档内容并不能直接使用，而是需要对文档进行清洗，去除文档中的噪音，无关内容等。

RAG的效果很多时候是由召回的文档质量决定的，而要保证文档质量首先要解决的就是噪音问题，比如说页眉页脚，版权声明，无意义的空格/字符，导航菜单，停用词等。

其中还有一个很重要的点是，文档结构问题；特别是OCR识别，很多时候扫描件经过OCR识别之后会丢失原本的文档结构。比如说标题层级丢失，文本抽取错乱，表格被打散等问题。

文档结构完整性

虽然说页眉页脚页码等对文档内容本身来说是噪音，但对保持文档结构有很大的作用；我们做RAG并不是文档处理完召回就结束了，还要保证文档的可溯源性，而这首先就要保证文档的结构完整性。

所以，文档的元数据(metadata)构建是重中之重，为了知识库系统的可维护性；文档需要实时新增新文件，删除过期文件，更新旧文件等；所以，有了元数据就不仅可以维护文档的结构，还可以对这些文档进行版本管理。

如果你也有RAG效果不好或者文档处理相关的问题，可以私信或者添加我微信。