“RAG文档解析是RAG流程的第一步，也是最复杂的一步。”
复杂PDF文档解析一直是RAG领域中的重难点，到目前为止还是没有一个完美的解决方案，只有具体场景中作出相对的取舍。
图文混排，表格图片架构图，复杂版面分析等，这些对人类阅读很友好，但对AI来说就很不友好了。所以针对这些问题，网络上和一些厂商提供了不同的解决方案，但由于文档格式的复杂性，通用方案还是无法完整解决问题，所以针对具体的业务场景，我们还是要有自己的解析思路。而针对不同的文档内容就需要选择不同的处理工具，比如说图文混合，多栏布局什么技术能解决？有结构图，流程图这种的应该什么使用技术？复杂表格如合并表格，跨页表格怎么处理？今天我们就来讨论一下多栏布局问题，如下图所示，所谓的多栏布局就是在一个页面中有多栏内容，比较典型的就是报纸的格式，甚至多栏布局的情况下还有图文混合的情况。按照人类的阅读习惯，都知道先阅读左侧那一栏，然后再阅读右侧那一栏；但是站在AI的角度就不行了，它可能会习惯性地从左往右读，结果就是逻辑混乱。针对这种情况，目前常用的解决方案就是使用OCR技术，OCR技术经过这么长时间的发展其能力也越来越强，针对这种图文混排和多栏布局的情况，OCR已经能够完整的识别出来，甚至包括一些不规范的表格。以OCR技术来说，其实特别适合处理这种类型内容的文档，原因在于这种文档只涉及到页面布局问题，只要能识别出文档的布局即可处理文档的内容。但有些文档内容使用OCR就不合适了，比如说架构图，结构图这种，它们不仅仅有空间上的关系，同时还存在逻辑上的关系，结构图经过OCR识别之后，很容易就丢失其逻辑上的关联关系。如下图所示，经过OCR识别之后，只留下一堆无关的单词，短语，其关联关系完全丢失。有一个处理方式是，把图片交给多模态模型，让模型对文档内容进行总结，把总结的内容替换掉图片的位置，并保存图片到OSS中，然后在检索的时候使用语义检索；最后构建上下文的时候，再把图片链接拼接到提示词中。文档内容提取往往只是第一步，难的是后续怎么处理，比如怎么切片？以图中多栏布局为例，由于只是简单的文本内容和图片，相对来说切片还比较容易；但如果文档中涉及到复杂表格，表头等情况，这时使用OCR识别出表格之后，后续处理才是真正的麻烦。总之，文档内容提取只是万里长征的第一步，文档内容提取效果好不好会直接影响到后续的切片等效果；所以，针对不同的文档内容，我们要选择合适的文档提取方式，没有完全一劳永逸的办法。如果你也有与文档处理相关的问题，可以扫码添加作者微信交流。
夜雨聆风
