写点什么

RAG 文档解析工具选型指南

作者:Baihai IDP
  • 2025-08-22
    江苏
  • 本文字数:3222 字

    阅读完需:约 11 分钟

RAG 文档解析工具选型指南

编者按: 当你需要为 RAG 系统选择文档解析工具时,面对 GitHub 上数百个开源项目和各种商业解决方案,你是否感到无从下手?

本文基于作者在实际项目中的工具使用经验,系统梳理了处理不同类型文档的工具选择。从知识图谱处理的 GRAG、KG-RAG、GNN-RAG 等工具,到表格解析的 TableRAG、TA。从 HTML 处理的 BeautifulSoup、HtmlRAG,到 PDF 解析的 MinerU、GPTPDF、Marker,再到多模态处理的 CLIP、Wav2Vec 2.0 等。期待本文能够帮助你快速找到最适合自己项目需求的技术方案。


作者 | Florian June


编译 | 岳扬


对于 RAG 系统而言,从文档中提取信息是一个不可避免的情况。最终系统输出的质量很大程度上取决于从源内容中提取信息的效果。


过去,我曾从不同角度探讨过文档解析问题[1]。本文结合近期一篇 RAG 调查报告[2]的发现与我之前的部分研究,对 RAG 系统如何解析和整合结构化、半结构化、非结构化和多模态知识进行了简明概括。



Figure 1: RAG 系统整合的多种知识类型,涵盖结构化、半结构化、非结构化和多模态知识。[Source[2]]

01 结构化知识:数据按规则组织的范式

1.1 知识图谱:易于查询,便于使用,难以集成

知识图谱以一种清晰、互联的方式描述实体及其关系,使其成为机器系统的图谱遍历与查询的理想选择。


RAG 系统非常喜欢这样的结构化数据源 —— 它们精确且语义丰富。但真正的挑战不在于查找数据,而在于如何有效地利用它。


  • 如何从海量知识图谱中提取有意义的子图?

  • 如何将结构化的图谱数据与自然语言对齐?

  • 随着图谱规模的增长,系统是否仍能保持高效?


一些有前景的解决方案正逐步解决这些问题:


  • GRAG 从多个文档中检索子图,来生成更聚焦的输入。

  • KG-RAG 采用探索链算法(Chain of Explorations,CoE)来优化基于知识图谱的问答性能。

  • GNN-RAG 采用图神经网络(GNN)检索和处理来自知识图谱(KG)的信息,在数据输入大语言模型(LLM)之前先进行一轮推理。

  • SURGE 框架利用知识图谱生成更具相关性和知识感知(knowledge-aware)的对话,从而提升交互质量。

  • 在特定领域,诸如 SMART-SLICKAREToG2.0 和 KAG[3] 等工具已充分证明,知识图谱作为外部知识源可以发挥多么强大的作用,可帮助 RAG 系统同时提升准确性和效率。

1.2 表格:结构紧凑、数据密集且解析困难

表格也是一种结构化数据 —— 但它们与知识图谱截然不同。几行几列就可能蕴含着大量信息。但如何让机器理解这些信息?那完全是另一回事了。


表格中未明示的逻辑关系、格式不一致、专业领域内特有的知识...表格数据常游走于秩序与混沌之间。幸运的是,已有专门处理此类复杂情况的工具:


  • TableRAG[4] 结合查询扩展(query expansion)、表结构与单元格检索(schema and cell retrieval),在将信息传递给语言模型前精准识别关键内容。

  • TAG 和 Extreme-RAG 则更进一步整合了 Text-to-SQL 能力,使语言模型能够直接“操作数据库”。


核心结论?若能有效解析表格,它们就是价值极高的信息源。

02 半结构化数据:HTML、JSON 以及网络数据的杂乱中间态

半结构化数据就像数据世界的“家中老二(middle child)” —— 既非完全结构化,也不完全是非结构化的。它比知识图谱更灵活,却比原始 PDF 文档更有条理。典型代表如 HTML 页面、JSON 文件、XML、电子邮件等格式,它们虽具备一定的结构特性,却常表现出结构规范不一致或结构要素不完备的特征。


尤其是 HTML,它无处不在,而每个网站都有其独特性。虽然存在 tags、attributes、elements(译者注:DOM 核心构件) 等结构化成分,但仍混杂着大量非结构化文本与图像。


为了有效解析 HTML,业界已开发出一系列工具和开源库,可将 HTML 内容转化为文档对象模型(DOM)树等结构化格式。值得关注的流行库包括:BeautifulSoup、htmlparser2、html5ever、MyHTML 以及 Fast HTML Parser


此外,HtmlRAG[5] 等 RAG 框架在 RAG 系统中利用 HTML 格式替代纯文本,从而保留了语义与结构信息。


若希望 RAG 系统真正理解网页数据而非依靠胡编乱造 —— HTML 解析便是这一切的起点。

03 非结构化知识:PDF、纯文本(既杂乱又有内在逻辑)

接下来叙述的内容才是真正的挑战。非结构化数据(自由格式的文本、PDF 文档、扫描报告)无处不在。


尤其是 PDF 文档,简直就是噩梦:不一致的布局、嵌入内部的图像、复杂的格式。但在学术、法律和金融等领域它们不可或缺。那么,我们该如何让它们符合 RAG 系统的要求呢?


我们可以使用更智能的 OCR 技术、版面分析技术和视觉内容 - 语言融合技术:


  • Levenshtein OCR 和 GTR 结合视觉和语言线索来提高识别准确率。

  • OmniParser 和 Doc-GCN 专注于保留文档的结构。

  • ABINet 采用双向处理机制提升 OCR 系统的表现。


与此同时,一大波开源工具的出现使得将 PDF 转换为 Markdown(一种对 LLM 更友好的格式)的过程变得更加容易。有哪些工具?我基本都已经介绍过了!


  • GPTPDF[6] 利用视觉模型解析表格、公式等复杂版面结构,并快速转换为 Markdown 格式 —— 该工具运行高效且成本低廉,适合大规模部署。

  • Marker[7] 专注于清除噪声元素,同时还保留原始格式,因而成为处理研究论文和实验报告的首选工具。

  • PDF-Extract-Kit(MinerU 采用的 PDF-Extract-Kit 模型库[8])支持高质量内容提取,包括公式识别与版面检测。

  • Zerox OCR[9] 对每页文档进行快照处理,通过 GPT 模型生成 Markdown,从而高效管理复杂文档结构。

  • MinerU[10] 是一种综合解决方案,可保留标题/表格等原始文档结构,并支持受损 PDF 的 OCR 处理。

  • MarkItDown[11] 是一种多功能转换工具,支持将 PDF、媒体文件、网页数据和归档文件转为 Markdown。

04 多模态知识:图像、音频与视频数据一同入场

传统 RAG 系统专为文本数据而设计,因此在处理图像、音频或视频等多模态信息时往往力不从心。这就导致其回应常显得肤浅或不完整 —— 尤其当核心信息蕴含于非文本内容中时。


为应对这些挑战,多模态 RAG 系统引入了整合和检索不同模态的基本方法。其核心思想是将文本、图像、音频、视频等模态对齐到共享嵌入空间(shared embedding space),实现统一处理和检索。 例如:


  • CLIP 在共享嵌入空间中对齐视觉与语言模态。

  • Wav2Vec 2.0 和 CLAP 专注于建立音频与文本的关联。

  • 在视频领域,ViViT 等模型专为捕捉时空特征而设计。


这些技术都是基础模块。随着系统的不断演进迭代,我们将看到能够一次性从文档、幻灯片及语音内容中提取洞见的 RAG 应用。

05 结语

在实践中,我发现 MinerU 是解析 PDF 的最佳开源工具。


当然,若你想自建文档解析器,自然需处理诸多复杂细节。但这样做的回报是值得的:更自主的源代码控制、更强的文档安全性,以及更可靠的结果。


后续若有契机,我将分享更多工程实践洞见。


我们正在超越纯文本语言模型的时代。倘若能教会机器理解人类传递知识的各种格式,或许它们也能协助我们更透彻地理解这个世界。


END


本期互动内容 🍻


❓未来 3 年,你认为文档解析技术会出现什么颠覆性突破?比如:LLM 原生解析 PDF?欢迎天马行空!


文中链接


[1]https://aiexpjourney.substack.com/t/pdf-parsing-and-document-intelligence


[2]https://arxiv.org/pdf/2503.10677v2


[3]https://aiexpjourney.substack.com/p/ai-innovations-and-insights-23-kag


[4]https://aiexpjourney.substack.com/p/ai-innovations-and-trends-09-cursor


[5]https://aiexpjourney.substack.com/p/ai-innovations-and-insights-20-htmlrag


[6]https://aiexpjourney.substack.com/p/ai-innovations-and-trends-05-itext2kg


[7]https://aiexpjourney.substack.com/p/demystifying-pdf-parsing-02-pipeline


[8]https://github.com/opendatalab/PDF-Extract-Kit


[9]https://aiexpjourney.substack.com/p/ai-innovations-and-trends-10-lazygraphrag


[10]https://aiexpjourney.substack.com/p/ai-innovations-and-insights-29-edgerag


[11]https://aiexpjourney.substack.com/p/ai-innovations-and-insights-20-htmlrag


原文链接:


https://aiexpjourney.substack.com/p/when-rag-meets-document-parsing-a

发布于: 刚刚阅读数: 5
用户头像

Baihai IDP

关注

AI训推云平台:GPUaaS, MLOPs, MaaS 2021-08-31 加入

IDP是AI训推云平台,旨在为企业和机构提供算力资源、模型构建与模型应用于一体的平台解决方案,帮助企业高效快速构建专属AI及大模型。 在这里见证IDP的蜕变成长,共探行业和AI技术的迭代发展!

评论

发布
暂无评论
RAG 文档解析工具选型指南_开源_Baihai IDP_InfoQ写作社区