RAG工程实践拦路虎之一：PDF格式解析杂谈

来源：网络更新时间：2024-07-08 09:30:45

背景

PDF（Portable Document Format）是一种广泛用于文档交换的文件格式，由Adobe Systems开发。它具有跨平台性、固定布局和易于打印等特点，因此在商业、学术和个人领域广泛应用。然而，PDF文件的解析一直是一个具有挑战性的问题，因为其内部结构的复杂性和多样性，使得提取其中的文本、图片和表格等内容并不是一件容易的事情。

技术方案

在目前的PDF文件解析领域中，我们可以将其大致分为以下几类技术方案：

LLM/视觉大模型解析 ：LLM（Large Language Model）大型语言模型在近年来的发展中，展现出了强大的语言理解和生成能力。通过训练大规模的神经网络，可以实现对PDF文件中文字内容的理解和提取，这种方法尤其适用于那些布局复杂、内容丰富的PDF文件。
OCR模型 ：光学字符识别（OCR）模型专门设计用于将PDF文件中的图像转换为可编辑的文本。这种技术在处理扫描版或图像化的PDF文档时尤其有用。
传统规则提取 ：传统的PDF解析方式可能包括基于规则的文本提取、图像处理和表格识别等方法。虽然这些方法可能不如深度学习模型那样灵活，但在某些情况下仍然是有效的选择。

各个解决方案目前可能需要配合使用，因为PDF格式本身的复杂程度，一项技术方案可能是 无法100%满足业务需求 的，这里面需要考虑的是：

文档提取还原度 ：通过技术手段，能够完整的提取PDF中的各项元素，包括文本、表格、图片、链接、图形、目录等等信息
高效/?成本 ：在RAG知识库问答的产品中，考虑到文本还需要Embedding的过程，因此在提取过程中如何更高效，成本更低也是需要着重考虑到事项。
稳定/幂等 ：我们知道大模型可能是出现幻觉的，如果用大模型来提取PDF中的内容，是否能足够保证稳定性。

当我们处理解析PDF时，我们需要可以讲每一项的难点都进行拆分，从需求出发，逐一进行攻破，找到解决方案。

其实我觉得技术人员如果能通过技术手段确定PDF中的Block(块)以及阅读顺序，按Block(块)进行输出转换(Markdown/Html等)，这里面包括的Block块元素：文本、图片、表格等等。那么这个提取的效果就会达到我们的最优。

而这个目标是我们接下来要重点讨论的。

技术难点

在考虑解析PDF文件时，我们需要根据当前的技术栈发展情况，并结合实际的业务诉求，综合考量这其中的技术难点，因为每一项技术难点所涉及的技术方案都会需要一个算法/或者技术手段去突破。

而开发者从解析的效果去考虑，可以从简单的做起，逐步突破难点，这对于开发人员自身的自信心提升也是一种正向的导向。在整个PDF解析过程中，我觉得以下几项是比较难处理的：

布局解析困难 ：PDF文件的布局可能会因为不同的作者、工具或用途而有所不同，因此解析其布局是一个具有挑战性的任务。
格式错综复杂 ：PDF文件中可能包含各种格式的内容，包括文字、图像、表格等，因此解析其内容需要考虑到这种多样性和复杂性。
复合表格 ：纵向/横向合并的复杂表格，在PDF中进行抽象还原是最难处理的问题之一
文本、图片、表格顺序提取 ：提取PDF文件中的文本、图片和表格，并确保它们的顺序正确性，是一个需要解决的重要问题。
文档结构还原 ：还原PDF文件的文档结构，包括标题、目录等信息，是实现自动化文档处理和理解的关键步骤之一。
元素重叠 ：从PDF100%效果还原的角度考虑，图片/文本之间的重叠，图片合并，合并后不失真等，也是需要考虑的事项之一
元数据提取 ：在PDF中隐藏的元数据信息是RAG产品的关键数据，比如链接、目录、字体等等
扫描件 ：PDF中如果是扫描件，依靠OCR模型可能是无法有效的提取，这里面包含了清晰度、模型的稳定性等等问题
Latex公式提取 ：在一些特殊领域，PDF文本中包含了Latex等数学公式。通过完整的提取和转换是对RAG问答的有效补充

技术可行性

我们从解析PDF的技术可行性角度，考虑哪些方面值得我们重点关注和突破：

文字提取能力，逐行提取 ：确保能够准确地提取PDF文件中的文字内容，并按照正确的顺序进行排列和输出，避免文字乱码(字体)。
简单/复杂表格完整提取 ：对PDF文件中的表格进行完整提取，包括表格内的内容和格式。
图片提取/合并 ：提取PDF文件中的图片，并保留其原始质量和格式。
文档布局(Block块的标识)识别 ：识别PDF文件的布局，包括页面的排列方式、文本和图片的位置等信息。
文档结构识别(标题、目录)，内容顺序输出 ：识别PDF文件的结构，包括标题、目录等信息，并确保输出内容的顺序正确。
转换为Markdown格式 ：将解析后的PDF文件内容转换为Markdown格式，以便于后续的处理和分享。

开源技术方案

结合上面的技术难点/方案及可行性上去分析，我们可以看看目前开源的技术组件中，有哪些是我们可以考虑进行结合的。

因为目前TorchV系统主要以Java+Python双语作为底层的应用开发语言，接下来我们可以看看在这两个编程语言中，有哪些开源的方案可以使用。

Java生态

在Java生态中，对于PDF组件处理的开源方案不多见，Apache PDFBOX是当前最强的，也是最好的

名称	地址	说明
Apache PDFBox	https://github.com/apache/pdfbox	提供开箱即用的文本、图片内容提取方式，并且可以基于Stream接口重写各项元素的解析实现，并能输出元素的坐标信息。开发者可以根据元素的坐标信息结合算法进行内容的高度还原。唯一的缺点是没有表格组件提取的API供开发人员使用。
tabula-java	https://github.com/tabulapdf/tabula-java	基于Apache PDFBOx组件的表格提取实现

Python生态

Python生态的PDF提取组件还是蛮多的，不过也是有不同的侧重，比如pdfplumber、camelot等都专注在表格的提取上，提供了开箱即用的方案。

名称	地址	说明
pypdf	https://github.com/py-pdf/pypdf	一个纯Python PDF库，能够分割、合并、裁剪和转换PDF文件的页面
PyMuPDF(AGPL)	https://github.com/pymupdf/PyMuPDF	高性能 Python 库，用于 PDF（和其他）文档的数据提取、分析、转换和操作。
pdfplumber (MIT)	https://github.com/jsvine/pdfplumber	查看 PDF 以获取有关每个字符、矩形、线条等的详细信息，并轻松提取文本和表格。
camelot （MIT）	https://github.com/camelot-dev/camelot	专注于PDF中表格的提取，包括复杂的表格

OCR生态/大模型

在上面Python和Java生态库的开源组件，基本都是针对文字的PDF处理为主，当我们的PDF是扫描件时，那上面的组件统统失效，都提取不出来文本信息。

此时就需要用到OCR的模型进行提取。

考虑到如果是OCR提取，那么最终的目的是将PDF文件Page页码内容提取出完成的图片Image，所以本质上是对图片内容的理解

可以考虑的开源组件如下：

名称	地址	说明
marker(GPL)	https://github.com/VikParuchuri/marker	基于模型将PDF文件内容提取为Markdown格式
surya(GPL)	https://github.com/VikParuchuri/surya	OCR、布局分析、阅读顺序、线条检测（支持90 多种语言）
tesseract(Apache 2)	https://github.com/tesseract-ocr/tesseract	老牌OCR组件，支持100多种语言
RapidOCR(Apache)	https://github.com/RapidAI/RapidOCR	基于 ONNXRuntime、OpenVION 和 PaddlePaddle 的出色 OCR 多种编程语言工具包。
PaddleOCR(Apache)	https://github.com/PaddlePaddle/PaddleOCR	基于飞桨的出色多语言OCR工具包（实用的超轻量级OCR系统，支持80+语言识别）
EasyOCR(Apache )	https://github.com/JaidedAI/EasyOCR	Python\C++开发，支持80多种语言OCR识别