我要投稿

PDF智能解析：RAG策略下的技术架构与实现

发布日期：2024-07-03 03:07:07 浏览次数： 2142 来源：顶层架构领域

尽管大型模型在生成式问答领域已经取得了显著的成果，但因为大量数据是私有的，这些模型的训练和微调成本依旧高得惊人。因此，使用RAG（Retrieval-Augmented Generation）方法逐渐成为实现应用的一种关键途径。然而，对文档进行精确的chunk划分却是一项挑战。现实中，多数专业文档以PDF格式保存，若解析精度不高，将严重影响专业问答系统的性能。

本文旨在深入探讨PDF文档的智能解析与结构化技术，助您在采用RAG策略的旅途中破浪前行。

一、PDF结构化技术链路供参考

二、可编辑PDF文档的结构化技术方案

PDF解析工具：

可编辑PDF文档可以使用PDF解析工具进行解析，优劣势对比如下：

PDF解析后得到的文本数据丢失了段落信息，需要重新划分和重组段落。下面我们将探讨训练语义段落划分模型的策略，并介绍一款现成的开源分段模型工具。

语义分段训练策略：

经过pdf解析工具处理后，原始文档的段落信息会丢失，需要重新划分和重组段落。接下来将介绍一种语义分段模型的训练方法和一个开源分段模型。

语义分段训练策略的步骤流程如下：

开源模型示例：

from modelscope.outputs import OutputKeysfrom modelscope.pipelines import pipelinefrom modelscope.utils.constant import Tasks
p = pipeline(task=Tasks.document_segmentation,model='damo/nlp_bert_document-segmentation_chinese-base')
result = p(documents='移动端语音唤醒模型，检测关键词为“小云小云”。模型主体为4层FSMN结构，使用CTC训练准则，参数量750K，适用于移动端设备运行。模型输入为Fbank特征，输出为基于char建模的中文全集token预测，测试工具根据每一帧的预测数据进行后处理得到输入音频的实时检测结果。模型训练采用“basetrain + finetune”的模式，basetrain过程使用大量内部移动端数据，在此基础上，使用1万条设备端录制安静场景“小云小云”数据进行微调，得到最终面向业务的模型。后续用户可在basetrain模型基础上，使用其他关键词数据进行微调，得到新的语音唤醒模型，但暂时未开放模型finetune功能。')
print(result[OutputKeys.TEXT])# 输出''' 移动端语音唤醒模型，检测关键词为“小云小云”。模型主体为4层FSMN结构，使用CTC训练准则，参数量750K，适用于移动端设备运行。模型输入为Fbank特征，输出为基于char建模的中文全集token预测，测试工具根据每一帧的预测数据进行后处理得到输入音频的实时检测结果。 模型训练采用“basetrain + finetune”的模式，basetrain过程使用大量内部移动端数据，在此基础上，使用1万条设备端录制安静场景“小云小云”数据进行微调，得到最终面向业务的模型。后续用户可在basetrain模型基础上，使用其他关键词数据进行微调，得到新的语音唤醒模型，但暂时未开放模型finetune功能。'''

三、不可编辑PDF文档的结构化技术方案

版面分析：

文档版面分析通过边界框界定图片文档的不同内容区域。该过程使用计算机视觉的目标检测模型，包括基于Transformer的DINO、Mask R-CNN和YOLO系列算法。

利用版式分析的优势，我们得以通过大量精确的标注数据，细致地识别和区分文档中的每个关键部分。

文本区域：精确划分页眉、页脚、主标题、正文段落、页码、脚注、图片说明文字及表格顶部的标题等，为后续信息提取与理解奠定基础。
表格：单独识别并框选出表格区域，便于结构化抽取表格内容。
数学公式：准确识别文档内的数学公式，保持科学文献与教育资料的严谨性。
图片：有效区分并标注文档内嵌的图像内容，为图像单独处理或内容关联分析创造条件。

文本识别（OCR）：

当涉及到通过版式分析确定的文本区域时，通常采用OCR技术进行文字识别。常见的开源OCR工具包括读光OCR和PaddleOCR。
以下是PaddleOCR的使用例子：

import cv2from paddleocr import PaddleOCRpaddleocr = PaddleOCR(lang='ch', show_log=False, enable_mkldnn=True) img = cv2.imread('1.jpg')result = paddleocr.ocr(img)for i in range(len(result[0])):print(result[0][i][1][0]) # 输出识别结果

然而，像paddleOCR等开源ocr方式在实际应用中存在多个问题。

如：

漏识别：开源OCR模型由检测和识别两阶段构成，若检测不准确，会导致错误的累积和OCR识别的不精确。
识别文字错误：开源模型免费且未经特定场景训练，因此识别时可能出错。

表格解析：

对版式分析的表格区域，用表格解析模型转换为特定格式，如：csv、html、markdown等。常见开源模型有ppstructure。
如下：

import osimport cv2from paddleocr import PPStructure,save_structure_restable_engine = PPStructure(layout=False, show_log=True) save_folder = './output'img_path = 'table.jpg'img = cv2.imread(img_path)result = table_engine(img)save_structure_res(result, save_folder, os.path.basename(img_path).split('.')[0])for line in result:line.pop('img')print(line)

开源方法常遇问题包括无法准确解析复杂表格，尤其是合并单元格时容易发生解析错误和行列对齐问题。

公式解析：

对版式分析划分的公式区域，用解析模型转化为特定格式。

下面使用LatexOCR进行公式解析的示例：

from PIL import Imagefrom pix2tex.cli import LatexOCR
model = LatexOCR()img = Image.open('1.jpg')print(model(img))

四、阅读顺序恢复

在完成文本、表格、公式等区域的解析之后，为了重构文档原有的结构和格式，重新排序已识别区域，依据原页面布局，通常使用到边界框位置信息。

一般有两种方法：传统的明确规则和现代的LayoutReader模型技术。

xy-cut方法：通过边界框的位置信息重新排序文档内容，就像整理散落的拼图，恢复它们原本的图案。

import numpy as np
def xy_cut(bboxes, direction="x"):result = []K = len(bboxes)indexes = range(K)if len(bboxes) <= 0:return resultif direction == "x":# x firstsorted_ids = sorted(indexes, key=lambda k: (bboxes[k][0], bboxes[k][1]))sorted_boxes = sorted(bboxes, key=lambda x: (x[0], x[1]))next_dir = "y"else:sorted_ids = sorted(indexes, key=lambda k: (bboxes[k][1], bboxes[k][0]))sorted_boxes = sorted(bboxes, key=lambda x: (x[1], x[0]))next_dir = "x"
curr = 0np_bboxes = np.array(sorted_boxes)for idx in range(len(sorted_boxes)):if direction == "x":# a new seg pathif idx != K - 1 and sorted_boxes[idx][2] < sorted_boxes[idx + 1][0]:rel_res = xy_cut(sorted_boxes[curr:idx + 1], next_dir)result += [sorted_ids[i + curr] for i in rel_res]curr = idx + 1else:# a new seg pathif idx != K - 1 and sorted_boxes[idx][3] < sorted_boxes[idx + 1][1]:rel_res = xy_cut(sorted_boxes[curr:idx + 1], next_dir)result += [sorted_ids[i + curr] for i in rel_res]curr = idx + 1
result += sorted_ids[curr:idx + 1]return result

def augment_xy_cut(bboxes, direction="x", lambda_x=0.5, lambda_y=0.5, theta=5, aug=False):if aug is True:for idx in range(len(bboxes)):vx = np.random.normal(loc=0, scale=1)vy = np.random.normal(loc=0, scale=1)if np.abs(vx) >= lambda_x:bboxes[idx][0] += round(theta * vx)bboxes[idx][2] += round(theta * vx)if np.abs(vy) >= lambda_y:bboxes[idx][1] += round(theta * vy)bboxes[idx][3] += round(theta * vy)bboxes[idx] = [max(0, i) for i in bboxes[idx]]res_idx = xy_cut(bboxes, direction=direction)res_bboxes = [bboxes[idx] for idx in res_idx]return res_idx, res_bboxes

bboxes = [[58.54924774169922, 1379.6373291015625, 1112.8863525390625, 1640.0870361328125],[60.1091423034668, 483.88677978515625, 1117.4927978515625, 586.197021484375],[57.687435150146484, 1098.1053466796875, 387.9796142578125, 1216.916015625],[63.158992767333984, 311.2080993652344, 1116.2508544921875, 365.2145080566406],[138.85513305664062, 144.44039916992188, 845.18017578125, 198.04937744140625],[996.1032104492188, 1053.6279296875, 1126.1046142578125, 1071.3463134765625],[58.743492126464844, 634.3077392578125, 898.405029296875, 700.9544677734375],[61.35755920410156, 750.6771240234375, 1051.1060791015625, 850.3980712890625],[426.77691650390625, 70.69780731201172, 556.0884399414062, 109.58145141601562],[997.040283203125, 903.5933227539062, 1129.2984619140625, 921.10595703125],[59.40523910522461, 1335.1563720703125, 329.7382507324219, 1357.46533203125],[568.9025268554688, 14.365530967712402, 1087.898193359375, 32.60292434692383],[998.1250610351562, 752.936279296875, 1128.435546875, 770.4116821289062],[59.6968879699707, 947.9129638671875, 601.4513549804688, 999.4548950195312],[58.91489028930664, 1049.8773193359375, 487.3372497558594, 1072.2935791015625],[60.49456024169922, 902.8802490234375, 600.7571411132812, 1000.3502197265625],[60.188941955566406, 247.99755859375, 155.72970581054688, 272.1385192871094],[996.873291015625, 637.3861694335938, 1128.3558349609375, 655.1572875976562],[59.74936294555664, 1272.98828125, 154.8768310546875, 1295.870361328125],[58.835716247558594, 1050.5926513671875, 481.59027099609375, 1071.966796875],[60.60163116455078, 750.1132202148438, 376.1781921386719, 771.8764038085938],[57.982513427734375, 419.16058349609375, 155.35882568359375, 444.25115966796875],[1017.0194091796875, 1336.21826171875, 1128.002197265625, 1355.67724609375],[1019.8740844726562, 486.90814208984375, 1127.482421875, 504.61767578125]]
res_idx, res_bboxes = augment_xy_cut(bboxes, direction="y")print(res_idx)# res_idx, res_bboxes = augment_xy_cut(bboxes, direction="x")# print(res_idx)
new_boxs = []for i in res_idx:# print(i)
new_boxs.append(bboxes[i])
print(new_boxs)

LayoutReader方法：采用先进的模型技术，让文档内容的排序更加智能和准确。

import torchfrom model import LayoutLMv3ForBboxClassificationfrom collections import defaultdict
CLS_TOKEN_ID = 0UNK_TOKEN_ID = 3EOS_TOKEN_ID = 2

def BboxesMasks(boxes):bbox = [[0, 0, 0, 0]] + boxes + [[0, 0, 0, 0]]input_ids = [CLS_TOKEN_ID] + [UNK_TOKEN_ID] * len(boxes) + [EOS_TOKEN_ID]attention_mask = [1] + [1] * len(boxes) + [1]return {"bbox": torch.tensor([bbox]),"attention_mask": torch.tensor([attention_mask]),"input_ids": torch.tensor([input_ids]),}

def decode(logits, length):logits = logits[1: length + 1, :length]orders = logits.argsort(descending=False).tolist()ret = [o.pop() for o in orders]while True:order_to_idxes = defaultdict(list)for idx, order in enumerate(ret):order_to_idxes[order].append(idx)order_to_idxes = {k: v for k, v in order_to_idxes.items() if len(v) > 1}if not order_to_idxes:breakfor order, idxes in order_to_idxes.items():idxes_to_logit = {}for idx in idxes:idxes_to_logit[idx] = logits[idx, order]idxes_to_logit = sorted(idxes_to_logit.items(), key=lambda x: x[1], reverse=True)for idx, _ in idxes_to_logit[1:]:ret[idx] = orders[idx].pop()return ret

def layoutreader(bboxes):inputs = BboxesMasks(bboxes)logits = model(**inputs).logits.cpu().squeeze(0)orders = decode(logits, len(bboxes))return orders

if __name__ == '__main__':bboxes = [[584, 0, 595, 1], [35, 120, 89, 133],[35, 140, 75, 152]]model_path = ""model = LayoutLMv3ForBboxClassification.from_pretrained()
print(layoutreader(bboxes))# [1, 2, 0]

总结：

在深入探讨可编辑PDF与不可编辑PDF（通常为扫描件）的开源技术栈及其精妙之处时，我们构建了一个系统性的管道（pipeline），这一管道的每一环节都蕴含着精细化的优化潜力。在检索增强生成（RAG，Retrieval-Augmented Generation）的语境下，为了实现对文档内容碎片（chunks）的精确划分，文档版式分析的准确性显得至关重要。这一过程要求我们在目标检测阶段达到极高的粒度，并且所使用的标签需紧密贴合具体应用场景的需求，而非盲目追求一个“万能钥匙”式的版式分析模型，因为后者往往难以兼顾所有文档的多样化布局特性。

53AI，企业落地应用大模型首选服务商

产品：大模型应用平台+智能体定制开发+落地咨询服务

承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业

160+中大型企业正在使用53AI

立即咨询预约演示

百度智能云邀53AI：共创AI新纪元，启航智能新时代

2024-05-27

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

2024-05-22

热点资讯

GraphRAG+Ollama 本地部署，保姆教程，踩坑无数，闭坑大法

2024-07-18

RAGFlow：基于OCR和文档解析的下一代 RAG 引擎

2024-05-05

RAG框架，都在这了!

2024-06-20

一文彻底搞懂大模型 - RAG（检索、增强、生成）

2024-09-04

基于Llama 3 构建RAG语音助手：将本地 RAG 与 Qdrant、Whisper 和 LangChain 集成

2024-05-19

微软开源的GraphRAG解读

2024-07-09

深入解析 Graph RAG：提升语言模型问答能力的创新策略

2024-07-09

Prompt工程师必备：复旦重磅 | 最佳RAG实践长什么样的？

2024-07-07

RAG 高效应用指南：Embedding 模型的选择和微调

2024-06-13

下一代 RAG 技术来了！微软正式开源 GraphRAG：大模型行业将迎来新的升级？

2024-07-07

大家都在问

除了混合搜索，RAG 还需要哪些基础设施能力？

2024-12-24

构建行业RAG应用系统：金融、财务、保险、医疗等行业该怎么做？

2024-12-21

为什么分块在RAG技术中很重要？但又很没有存在感？

2024-12-14

比GraphRAG还好的LightRAG到底是何方神圣？

2024-12-01

企业级RAG应用的5大技术发展趋势，你准备好了吗？

2024-11-27

RAG搭建中，如何选择最合适的向量索引？

2024-11-25

RAG vs ICL：AI大模型的记忆术和临场发挥，谁才是最强辅助？

2024-11-06

企业如何从0到1构建RAG系统？