破解PDF解析难题：RAG中高效解析复杂PDF的最佳选择

在 AI 领域，高效处理 PDF 文档是提升知识管理效率的关键。

随着检索增强生成（RAG）技术的普及，从朴素 RAG 到高级 RAG，再到 GraphRAG 的快速演进，如微软的 GraphRAG 和 LightRAG 等框架不断涌现。这些框架提升了 RAG 的精度，但大多不支持 PDF 格式，而企业内部却存在大量 PDF 文档。因此，将这些资料有效整合进内部知识库成为技术挑战。

然而，各种开源 PDF 解析和商用 PDF 解析工具到底性能怎么样？是否能够精确地处理好一直被诟病的图表转换问题？最近新出的论文《A Comparative Study of PDF Parsing Tools Across Diverse Document Categories^[1]》评测了 10 种流行的 PDF 解析工具，如下表所示。

我们使用Google NotebookLLM^[2]对该论文进行分析，它推荐适用性更强的 PDF 解析器PyMuPDF和更适用于论文解析的Nougat。本文在此基础上，加入商业 PDF 解析工具TextIn(通用文档解析器，合合信息旗下)和国内某商用产商（后面以某产商代指）的文档解析器，并以该论文作为样本，探索它们在文本提取、表格检测、图像提取、易用性中的真实表现。无论你是研究人员还是开发者，本文的发现将为你选择合适的解析工具提供宝贵的指导，助力提升文档处理的效率和准确性。

先说结论，满分 5 分。另文末有福利，先到先得~

注：

1. 当前多模态嵌入模型已经出现，我认为准确提取图像也是重要的因素之一，RAG 未来的发展应该不仅仅是文本，也应包括图像。

2. 文本识别和段落完整性，采用大模型进行综合评价，而图表处理则使用肉眼直接对比。

1. 安装与使用

1.1 PyMuPDF

PyMuPDF^[3]是一个高性能的 Python 库，用于从 PDF（以及其他）文档中进行数据提取、分析、转换和操作。它支持快速处理 PDF 文件，提供了灵活的接口来提取文本、图像、表格等内容，并且可以进行页面操作、格式转换等多种功能，广泛应用于文档处理、自然语言处理（NLP）任务及数据分析等领域。为了输出 Markdown，这里需要使用它的另外一个版本 PyMuPDF4LLM。API 很简单，非常容易集成到 RAG 应用流程。

使用方法

pip install pymupdf4llm

import pymupdf4llm
import pathlib

md_text = pymupdf4llm.to_markdown("/Users/xxx/Downloads/2410.09871v1.pdf")
pathlib.Path("2410.09871v1-pymupdf.md").write_bytes(md_text.encode())

1.2 TextIn

合合信息^[4]是一家人工智能及大数据科技企业，具有优秀的智能文字识别技术，是 OCR 领域领先开发者。公司 C 端产品主要为面向全球个人用户的 APP 产品，包括扫描全能王、名片全能王等；同时也为开发者提供智能文档处理服务。在 TextIn 平台注册后，即可领取 100 页免费测试额度。打开TextIn^[5]的通用文档解析工作台，点击左侧上传文件即可，如下图所示。

速度非常快，几乎瞬间转换完成，并且可以逐个段落点击进行高亮对比，如果发现错误也可以手工进行修正，这一点能极大提升文档转换和校正的效率。校正完成后，点击右下角的导出结果按钮即可导出 markdown 文件。本次比对，暂不手动校正，影响其他评测指标，但是否方便校正本身也是一种指标。

除此之外，TextIn 也支持像 PyMuPDF 一样通过 API 调用。在平台获取 Token 之后，按照如下同步代码，即可转换 PDF 为 Markdown。

# 读取文件内容
file_path = '/Users/xxx/Downloads/2410.09871v1.pdf'
with open(file_path, 'rb') as fp:
    pdf = fp.read()

# 初始化Textin
app_id = '#####c07db002663f3b085#####'
...

# 发送请求
url = "https://api.textin.com/ai/service/v1/pdf_to_markdown"
headers = {
    'x-ti-app-id': app_id,
    'x-ti-secret-code': app_secret
}
resp = requests.post(url, data=pdf, headers=headers, params=options)

# 保存结果
result = resp.json()
with open('result.json', 'w', encoding='utf-8') as fw:
    json.dump(result, fw, indent=4, ensure_ascii=False)

返回的结果中直接包含 Markdown 的内容，速度很快不到 2 秒 19 页就解析完成了，可以极大提升我们文档处理效率。同时提取的内容可以保存为 md 或者直接将其 chunk 分割，更容易直接集成到 RAG 应用的流程中。

注：若是将这些代码整合成类似 pymupdf 的两行代码就更棒了

1.3 Nougat

Nougat^[6]是 Meta 于 2023 年 8 月开源的一款专门用于学术文献的 PDF 解析器，能够理解 LaTeX 数学公式和表格。它是一种基于视觉 Transformer 的模型，执行光学字符识别（OCR）任务，将科学文献处理为标记语言，具体论文可见Nougat: Neural Optical Understanding for Academic Documents^[7]。

安装

pip install nougat-ocr
pip install transformers==4.38.2 #必须安装低版本的transformer，不然你可能遇到BARTDecoder错误，亲测4.38.2可用。

然后执行以下命令将论文转换为 markdown 格式。

nougat /Users/xxx/Downloads/2410.09871v1.pdf -o ./ -m 0.1.0-base --batch 2

耗时很夸张，在我的 Mac M1 上 19 页的论文达到了 47 分钟。

INFO:root:Processing file /Users/xxx/Downloads/2410.09871v1.pdf with 19 pages
██████████████████████████████████████████████████████████████| 10/10 [47:57<00:00, 287.71s/it]

注：nougat 生成的是 mmd 文件，兼容mathpic-markdown^[8]。我们可以在 VS Code 中安装插件 Mathpix Markdown 来显示。

1.4 某产商

这家公司也同样支持多样化的文档解析，支持网页端直接上传和使用 API 访问，但是不支持导出为 Markdown，API 需要先上传再轮询状态获取。意味着我们需要离线处理文档，无法直接集成到 RAG 应用流程中。

接下来，我们准备开始对比。对比采用两种方式，文本采用大模型帮助我们比对，而图表我们则使用肉眼直接进行观察，这样更为准确。

2. 文本对比

既然要看抽取的文档质量是否有差错，可以考虑使用大模型帮助我们自动评判与原文在语义上的相关性，是否存在一些错误的转译。我们选择论文 3.1 节中双排图文混排进行对比。

2.1 原文

2.2 编写 LLM 评测代码

如下 Prompt 然后要求 ChatGPT 进行打分。

prompt = f"""
    这是从PDF原文上使用4种PDF解析器提取的，请对照原文基于以下3个指标进行评价。满分5分，根据这几项进行打分，输出markdown表格

    1. **准确识别单词**：是否存在提取的文本错误，忽略错误的单词分隔和连字符等问题。
    3. **保持段落完整性**：嵌入的元素如公式或图像可能会导致段落被打断，或者将标题错误地合并到正文中。如果原文有图像，但是转换的markdown没有图像，则需要扣分。
    3. **保持原文语义**：是否存在多提取的内容，导致文本不对。

    Original Text:
    {original_text}

    ===================
    Markdown Generated by Nougat:
    {segment1}

    ===================
    Markdown Generated by TextIn:
    {segment2}

    ===================
    Markdown Generated by PyMuPDF4LLM
    {segment3}

    ===================
    Markdown Generated by Another Vendor
    {segment4}
    """

结果输出如下

总结：在文本准确识别上，Nougat 和 TextIn 表现较好，不分伯仲。

3 表格对比

我们选取了一个比较有代表性的表格来比较，这个表格有左侧是目录，而右侧标题列，且分为两行副标题列。

3.1 原文

3.2 PyMuPDF

PyMuPDF 的表格提取，我其实想问问你提取的是啥？这是表格？

3.3 TextIn

不能说完美，但简直一模一样，除了标题列 Metrics 与 Precision 融合到一起之外，没有任何问题，而这种小错误在校正阶段即可手动修复掉。

3.4 Nougat

Nougat 虽然号称是专为学术领域打造的 PDF 论文解析器，然而在这个表格提取上，属实拉胯。目录丢失严重，关键信息丢了，右侧数据再完整又有何用？但它的公式表现确实不错。

3.5 某产商

它输出的是 Word 文档，在这个表格上表现不错。但 Word 文档里的表格，RAG 要想正确处理还需要费一番功夫。

但其实论文里充斥的公式导致了整体排版有点混乱，这一点我们在文本比对中并没有显式进行对比，当然本文重点也不是公式比对。

总结：表格提取上，开源的表现都不太好。虽然某产商在表格提取不错，但输出的是 word 文档。这一环节显然 TextIn 胜出。

4. 图像对比

正如我们之前所说，我们采用肉眼对比图像，接下来多图预警。本节采用 2.1 节中所用图文混排的双排论文作为比对对象。

4.1 PyMuPDF

PyMuPDF 丢失所有图像，只保留图标题。

4.2 TextIn

可以看到 TextIn 准确地识别出了排列，以及图片和其对应的描述。这里图片内容并不影响文本本身的连续性，因为 markdown 中图片内容是以注释[]( "")格式存在。在 RAG 应用进行 chunk 的时候，并不会导致文本连续受到影响。

4.3 Nougat

Nougat 会把论文中所有的图都丢弃，只保留了图的标题。就这个解析还把原文中的小标题 3.1 丢弃了，整个排版也变得乱序起来，丢大分，耗时就不说了。

4.4 某产商

图像提取出来了，图像标题也提取了，但是混合到正文中去了，且没有分隔符分开。

总结：图像提取这一环节，开源工具都忽略图像，某产商的图像标题错乱排版，TextIn 依然胜出。

5.总结

综上，不论是在图表提取、格式兼容还是效率上，TextIn 无疑表现更为优秀，而且非常容易集成到 RAG 的 Pipeline 中。因此，在 RAG 应用中如果你有大量的 PDF 文档，尤其是图表较多的场景，推荐你使用合合信息 TextIn 的通用文档解析器提升文档解析效率。