面试题库 › Java 后端 › RAG 中如何解析 PDF 表格、扫描件和双栏排版等复杂文档?

RAG 中如何解析 PDF 表格、扫描件和双栏排版等复杂文档?

难度 ★★☆在 5 场真实面经中被问到 方向:Java 后端考点:RAG基础与流程

哪些公司问过

阿里巴巴2字节跳动1agent1

常见岗位:AI 应用 / Agent 开发、产品经理

答案要点

  1. 按类型分流:原生 PDF 直接提取文本与坐标,扫描件走 OCR 并做纠错
  2. 版面分析识别标题、段落、表格、图片,双栏按栏位还原阅读顺序,去除页眉页脚
  3. 表格用结构识别还原行列与合并单元格,转 Markdown/HTML,切块时保留表头
  4. 图片用 OCR 或多模态模型生成描述,与正文一起入库
  5. 统一转为结构化文本后按标题和语义切块,附带页码、章节等元数据

易错点

面试官常见追问

完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。

相关面试题