RAG 中如何解析 PDF 表格、扫描件和双栏排版等复杂文档?
哪些公司问过
答案要点
- 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
- 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
- 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
- 图片用 OCR 或多模态模型生成描述,与正文一起入库
- 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
- 对双栏文档直接按行提取,导致左右两栏文字交错
- 把表格展平成纯文本,丢失行列关系
- 按固定长度硬切,把表格或段落从中间截断
面试官常见追问
- 如何做到高保真的 PDF 语义切分?
- 元数据怎么提取?
- 解析质量怎么评估?
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。