夜雨聆风学习资料网

ARTICLE · 1385889

PDF里的字都在,为什么顺序还是乱了?

PDF里的字都在,为什么顺序还是乱了?

一张费用表:标准审核120元,扩展审核240元。人眼看一遍,就知道谁对应谁。

但在这轮自制PDF实验里,页面完全没变,只换了内部写字的顺序,程序交出的文本就从“标准审核、120、扩展审核、240”,变成了“240、扩展审核、120、标准审核”。

字都在,顺序却变了。

这件事与普通AI用户有关:答案里出现了原文的名称和数字,还不足以确认它们之间的关系也保留了。数字属于哪一行、两段话怎样衔接、脚注限制哪项内容,需要另外辨认。

跟着下面的对照,可以看清三个不同的结果:文字被提出来了,页面排得像原文,内容之间的关系被保留了。 理解这三层区别,下次核验AI给出的报价、条款或论文结论时,就知道该回原页看什么。

实验中的处理操作用于拆解这个机制。我们没有测试某个聊天产品上传PDF后的答案,也不能据此判断它内部用了哪种解析方式。

页面一样,为什么提取顺序不同?

样本是专门生成的英文PDF,没有扫描件或OCR。表格、双栏、标题和脚注,共7种版面,每种做两份,总计14份。

每对文件固定文字、字体和坐标,只改变绘制顺序:一份按页面从上到下、从左到右写,另一份反过来写。再用同一个渲染器把页面转成图片,逐对比较像素,7对都完全一致。

接着用文字提取工具pypdf 5.9.0读取。默认模式下,7对文件的输出都不同。费用表就是开头那组结果,原文里的Standard review和Extended review分别表示标准审核与扩展审核。

图1:上方是实际PDF的局部渲染;下方按实测内容放大重排。页面相同,默认提取顺序不同,切换layout后名称与金额重新对齐。

原因藏在这类PDF保存页面的方式里。屏幕上看起来是一张表,内部却可以只是“在这个坐标写名称、在另一个坐标写数字”的文字片段。人依据位置、表头和线条认出行列,提取程序还得决定怎样把这些片段排成一段文本。

这批样本没有表格、章节等结构标签。默认提取会受到内容流里写入顺序的影响;页面看起来相同,并不强制它交出同一段字符串。

不过,顺序变化还不能直接等于金额已经配错。人或下游程序可能根据其他线索恢复关系。本轮证明到这里:只清点文字,无法确认阅读顺序和对应关系也被保留。

排版恢复了,表格关系就有了吗?

为了看清位置能提供多少帮助,实验把pypdf切到了layout模式。这种模式尝试用空格和换行保留页面排版。

费用表的两份输出这次相同:Standard review与120在同一行,Extended review与240在同一行。这个改善是真实的,表格明显更容易读了。

接着给服务名称加一行说明:标准审核下面写“包含纸质副本”,扩展审核下面写“包含存档副本”。layout仍保留了两行描述的位置,但返回的依然是文本,没有直接生成“服务名称+说明+金额”这样的完整记录。

这并不表示它把说明配错了,而是可见排版和明确的行记录还有一段距离。

实验继续借助已知的上下边界,把同一行区域内左边的两行描述合并,再与右边的金额组成一条记录。这样,两种绘制顺序都恢复了完整对应关系。

为什么还需要加这条规则?因为“包含纸质副本”虽然位于下一行文字的位置,却仍属于上一项服务。程序需要知道哪些文字应当合在一起。

这里的帮助来自事先知道版式。 实验程序知道每项服务占据的区域,没有自动发现任意表格,也没处理合并单元格或跨页续表。因此,这段对照解释的是:位置可以帮助恢复关系,但关系仍需要被辨认和保存。

排得像双栏,逐行读却会交错

第二张样本把两段独立文字放在左右两栏。预先指定的阅读顺序是:读完左栏A1、A2、A3,再读右栏B1、B2、B3。

layout输出仍然很像双栏:每一行左边是A,右边是B。

但如果按文本行依次往下读,顺序就成了:

A1 → B1 → A2 → B2 → A3 → B3。

文字齐了,两份文件的输出也一致了,却仍不符合这页指定的段落顺序。输出稳定,和读序正确,是两项检查。

图2:原页保留了左右栏;箭头展示把文本按行展平后的顺序,以及限定区域后的实际恢复结果。

实验这次先按已知中线划开左右栏,保留片段坐标,分别从上到下读取,最后先接左栏、再接右栏。两份文件都恢复为A1、A2、A3、B1、B2、B3。

这一步让区别更清楚了:只按页面上的高低位置排序,会让左右栏轮流出现;先辨认哪些文字属于同一段阅读区域,才能把整段接起来。

这里同样用到了已知栏位,没验证跨栏标题、浮动图片或三栏页面。它展示了恢复读序需要什么信息,不能当作任意版面的通用解法。

也不能据此断言大模型一定会串读。实际系统可能保留坐标、分析页面图像,或者从空格中辨认双栏。本轮观察的是:单靠这份按行展开的文本,指定阅读顺序尚未被明确保存。

字号是线索,不能独自决定标题

表格和双栏体现的是位置关系,标题则暴露了另一层问题:格式相似,文字的角色未必相同。

干净样本有两个标题:字号更大的Overview,表示“概览”;小一号的Exceptions,表示“例外”。提取片段里保留了字号,实验加了一条简单规则,把较大的不同字号依次映射成一级、二级标题。

在这页里,规则给出了预设的两级标题。

随后在页面下方加了一个方框,里面写着“PAY WITHIN 30 DAYS”,也就是“请在30天内付款”,字号与二级标题相同。规则便把它也列成了二级标题。

它是付款提示,却被当成了章节。 两种绘制顺序下都出现同样误判。

错误来自实验额外编写的字号规则。pypdf返回纯文本,没有承诺判断段落角色。这条规则没使用可见的方框信息,也没结合内容或来源结构,单靠字号便作了决定。

所以,字形、字号和位置能提供线索,却不能独自保证角色判断正确。若还要恢复标题层级,就需要更多依据,并核对结果。本轮没有完成这类通用识别。

脚注能找到,还要知道它解释谁

脚注样本先用唯一编号:左栏费用120后接[1],右栏费用240后接[2]。页底分别写着“包含纸质副本”和“不包含纸质副本”。

从坐标片段中分出正文与页底,再按编号匹配,两条说明都能回到各自的费用上。

接着只改标记:两栏各自使用一个“*”。

如果把整页脚注混在一起查,左栏的“*”会找到两条说明,右栏也会找到两条。符号相同,不能再当作全页唯一编号。

实验规则没有随便挑第一条,而是报告歧义。加入“只在同一栏里匹配”的范围后,两栏才各自只剩一条候选,归属恢复正确。

图3:上半部分保留了标题原页裁图;下半部分将实测脚注文字重排,展示为什么相同符号还需要栏位范围。

这里被补回的信息是作用范围。同一个符号,在一栏里可能唯一,放到整页就未必唯一。“包含”和“不包含”虽然都提取出来了,仍要知道各自限制哪一项费用。

这不证明脚注已经被接错,也不证明按栏位匹配能解决所有脚注。跨页、跨栏和无标记说明仍未测。它说明的是:文字与标记都在,还不足以唯一确定归属;无法确定时,应保留歧义。

读完之后,核验答案时该多看什么?

回到开头那张费用表。看见“标准审核”和“120”都出现在提取结果里,只能确认这两个内容出现了;还要结合表头、所在行和附带说明,才能核对“标准审核对应120元”这条完整关系。

这就是这轮实验能提供的理解:文字完整、排版相似、关系明确,是三件需要分别确认的事。 layout、区域划分和脚注匹配,展示了哪些信息能帮助恢复关系;假标题与重复标记,则显示简单规则为什么仍会碰到边界。

普通AI用户不需要先替产品划栏或写规则。核验重要结论时,可以带着三个具体问题回看原页:

  • 这个数字属于哪一项?
     看名称、表头、同行内容及单位,不能只确认数字出现过。
  • 这段话接着哪一段?
     留意双栏、独立文本框和章节位置,确认相邻文字是否真的属于同一段内容。
  • 这条说明限制什么?
     看脚注标记、所在范围和例外条件,确认“包含”“不包含”各指向谁。

可以请AI指出对应页码和原文位置,再自己打开那一页核对。它提供了页码,也仍要看原文是否真的支持答案中的对应关系。

这是对答案的核验,不能据此诊断或修复产品内部的解析流程。聊天产品可能直接分析页面图像,也可能结合文字和布局信息;本轮没有测它们采用哪条路径,更没有测哪种提示词能让它们答得更准。

下次让AI解释一份报价,除了问“多少钱”,还可以追问“这是谁的费用,包含什么,依据在原页哪里”。再核对那一行和它的说明:不仅确认120被找到了,也确认你要采用的那条关系确实成立。

资料出处:本地PDF读序与结构对照实验,2026年11月13日;pypdf 5.9.0官方文字提取文档。实验使用数字生成、未加结构标签的英文单页PDF,未覆盖扫描件、OCR、真实文档分布或模型答题。

回首页,搜索你想要的文档

在首页搜索框输入关键词,快速定位资料

文库首页搜索指引 立即搜索

相关学习资料