Skip to main content
Version: DEV

选择 PDF 解析器

选择用于解析 PDF 的视觉模型。

RAGFlow 不是一刀切的解决方案。它专为灵活性而构建，支持更深度的自定义以适应更复杂的用例。从 v0.17.0 开始，RAGFlow 将 DeepDoc 特定的数据提取任务与PDF 文件的分块方法解耦。这种分离使您能够自主选择用于 OCR（光学字符识别）、TSR（表格结构识别）和 DLR（文档布局识别）任务的视觉模型，以平衡速度和性能来适应您的特定用例。如果您的 PDF 只包含纯文本，您可以选择朴素选项来跳过这些任务，以减少整体解析时间。

data extraction

提取阶段（Extraction）

  • 文档解析模型（Document Parsing Model） 包含：
    • 文档结构识别（Document Structure Recognition）：识别文档的整体结构和布局
    • 表格结构识别（Table Structure Recognition）：专门处理表格数据的结构化提取
    • 其他处理模块（...）：可能包括图像识别、OCR等功能

预处理阶段（Preprocessing）

  • 文档处理模型（Document Processing Model） 包含：
    • 知识图谱构建（Knowledge Graph Construction）：将文档内容转换为结构化的知识图谱
    • 文档聚类（Document Clustering）：对文档进行智能分类和聚类（用蓝色高亮显示）
    • 嵌入模型（Embedding Models）：将文本转换为向量表示

索引阶段（Indexing） 建立多种索引机制：

  • 传统索引（Traditional Indices） ：基于关键词的传统搜索索引
  • 文本嵌入（Text Embedding）：密集向量索引
  • 稀疏嵌入（Sparse Embedding）：稀疏向量索引
  • 子图遍历（Subgraph Traversal）：基于知识图谱的索引结构

检索阶段（Retrieval）

  • 融合排序系统：
    • 基于张量的融合排序（Tensor Based Fused Ranking）
    • 其他融合排序（Other Fused Ranking）
  • 查询重写模型（Query Rewrite Models）：优化用户查询
  • Top K ：返回最相关的K个结果

前置要求​

  • PDF 解析器下拉菜单仅在您选择与 PDF 兼容的分块方法时出现，包括：
    • 通用
    • 手动
    • 论文
    • 书籍
    • 法律
    • 演示文稿
    • 整体
  • 要使用第三方视觉模型解析 PDF，请确保您已在模型提供商页面的设置默认模型下设置了默认的 img2txt 模型。

操作步骤​

  1. 在知识库的配置页面上，选择分块方法，比如通用。

    PDF 解析器下拉菜单出现。

  2. 选择最适合您场景的选项：

  • DeepDoc：（默认）在 PDF 上执行 OCR、TSR 和 DLR 任务的默认视觉模型，可能比较耗时。
  • 朴素：如果您的所有 PDF 都是纯文本，则跳过 OCR、TSR 和 DLR 任务。
  • 特定模型提供商提供的第三方视觉模型。
警告

第三方视觉模型标记为实验性，因为我们尚未完全测试这些模型用于上述数据提取任务。

常见问题​

我什么时候应该选择 DeepDoc 或第三方视觉模型作为 PDF 解析器？​

如果您的 PDF 包含格式化或基于图像的文本而不是纯文本，请使用视觉模型提取数据。DeepDoc 是默认的视觉模型，但可能比较耗时。您也可以根据您的需求和硬件能力选择轻量级或高性能的 img2txt 模型。

我可以选择视觉模型来解析我的 DOCX 文件吗？​

不可以。此下拉菜单仅适用于 PDF。要使用此功能，请先将您的 DOCX 文件转换为 PDF。