02｜PDF 不是文本：RAG 解析 PDF 时到底在解析什么？

打开一份 PDF，我们会自然地从标题读到正文，从左栏读到右栏，也知道页脚不是内容。

于是很多人会以为，程序看到的也是同一篇文章。

实际上，PDF 更像一张“如何把页面画出来”的说明书。它首先关心的是某个字符放在什么位置、使用什么字体、图片画在哪里，而不是这句话属于哪一段、哪一节，应该排在谁后面。

人看到的是文档，解析器先看到的往往只是页面元素。

三种 PDF，实际上是三类输入

第一类是原生文本 PDF。

它通常由 Word、排版软件或业务系统导出，页面背后存在可选择的文字。复制一段内容能够得到正常文本，解析器也可以读取字符及其坐标。

第二类是扫描 PDF。

每一页本质上是一张图片。人能看见文字，是因为大脑在识别图像；程序如果不经过 OCR，只会知道这里有一张图。

第三类是混合 PDF。

有些页面有文字层，有些页面是扫描件；有些文件给扫描图叠了一层 OCR 文本，但文本位置错乱或内容重复。它看起来最像“已经处理好”，实际却可能带来隐蔽错误。

因此，解析前的第一个问题不该是“用哪个 PDF 库”，而是：这一页究竟有什么层？

有文字层，为什么顺序仍然会乱？

因为页面坐标不等于阅读顺序。

想象一篇双栏论文。视觉上，我们先读完左栏，再从右栏顶部继续。解析器如果只按照字符写入文件的顺序提取，可能读成左栏第一行、右栏第一行、左栏第二行、右栏第二行。

同样的问题还会出现在：

• 标题横跨两栏，正文从下一行分开；

• 文本框、批注和脚注散落在不同坐标；

• 表格中的数字逐个绘制，没有天然的行列结构；

• 页眉页脚每页重复，却比正文更早被读取；

• 一个单词被换行连字符拆开，抽取后无法复原。

所以 PDF 解析不是简单的“把文字拿出来”，而是要根据位置、间距、字体和版面区域，推断哪些字符组成一行、哪些行组成一段、哪些区域应该先读。

OCR 解决的是“看见字”，不是“理解页面”

扫描 PDF 必须先经过 OCR。但 OCR 的主要任务，是把像素识别成字符。

它可以告诉系统某个矩形区域里可能写着“年度总收入”，却不一定知道它是表头、图例还是正文；也不一定知道右侧的“1250”与它属于同一行。

OCR 之后仍然需要版面分析：

找出标题、正文、列表、表格、图片和页眉页脚区域；

恢复区域之间的阅读顺序；

合并跨行、跨栏甚至跨页的内容；

对低置信度字符和异常结构作标记。

这就像有人把照片上的每个汉字都认了出来，但把字条剪散后交给你。认字完成了，文章还没有恢复。

为什么“复制出来正常”也不能证明解析可靠？

手工复制通常只覆盖一小段，而且人会自动修正轻微错序。

RAG 处理的却可能是几千份文件。一个每页都出现的页眉，会被重复几千次；一个表格列错位，会让大量数值失去归属；一个隐藏 OCR 层与可见文本重叠，会制造成倍的重复内容。

更可靠的抽检方式，是准备几类固定样本：

• 单栏与双栏正文；

• 跨页表格；

• 带脚注和页码的报告；

• 纯扫描件；

• 扫描图加隐藏文字层的文件；

• 中英文、数字和特殊符号混排的页面。

然后比较的不是“有没有抽出字”，而是标题层级、段落顺序、表格关系、重复内容和页码定位是否正确。

一条实用的 PDF 解析路线

生产系统可以先按页诊断，而不是把整份文件一股脑送进同一个解析器。

如果页面存在质量良好的文字层，就优先使用确定性的文字与坐标抽取；如果没有文字层，再进入 OCR；如果版面复杂，则增加布局识别；如果页面包含难以规则化的图表或视觉关系，再把特定区域交给多模态模型解释。

这条路线的重点不是工具名称，而是分流。

能稳定抽取的页面，不必承担模型成本和不确定性；真正依赖视觉理解的页面，也不应该被一个只会读取字符流的工具草草处理。

PDF 解析的完成标准

对于 RAG，一页 PDF 至少应该留下四类信息：

• 内容：文字、表格、图片说明等；

• 结构：标题、段落、列表、表格区域及阅读顺序；

• 位置：页码、坐标或可定位的区域；

• 状态：使用了哪条解析路线，哪里置信度低，哪里可能失败。

只有这样，当答案引用某句话时，用户才能回到对应页面；当结果异常时，工程师也能判断是 OCR 认错字，还是版面顺序排错了。

PDF 不是一篇等待复制的文本，而是一张等待重建的页面。

下一篇，我们把视线从 PDF 扩展到 Word、网页和 Markdown：格式各不相同，进入知识库后要不要都变成纯文本？

技术边界：不同 PDF 的内部结构差异很大。本文给出的是诊断框架，不代表存在一条对所有 PDF 都最优的固定流水线。