RAG 系列之二：PDF 文件的解析

在 RAG（检索增强生成）简介的流程图中，有一个环节是检索向量数据库（下图中红色框标识的部分）。向量数据库存储了外部知识库经过向量化处理的内容。在检索之前，我们首先需要创建向量数据库，而创建的第一步是解析知识库中的文件，提取其中的文本、表格等信息。由于 PDF 格式的文件占据了文件的大部分，因此如何从 PDF 文件中精确且高效地提取这些信息，便成为创建向量数据库的关键。本文将介绍如何解析 PDF 文件，帮助实现这一目标。

PDF，即便携式文档格式（英语：Portable Document Format，缩写 PDF），是一种能够独立于应用程序、硬件和操作系统呈现文档的文件格式。PDF 之所以受欢迎，是因为它能够完全保留原文档的格式，不受设备、软件或系统的影响，这对于传播信息来说意义重大。试想一下，如果你使用的是 Word 文档，一旦更换设备，字体、图片、颜色和格式等可能都会发生变化。但 PDF 不会出现这种情况，它能够原汁原味地保留重要的图文信息，不用担心设备的影响。正是为了实现这种显示的一致性，PDF 牺牲了可编辑性。这里有一点需要注意，不是 PDF 不想做到容易编辑，也不是故意让你无法修改，而是为了极致的显示一致性，必须牺牲可编辑性。PDF 会将文本的位置、字体、间距、缩放比例、页边距等所有属性在文件格式中限定死，让软件没有自由发挥的空间。这就是为什么不同软硬件打开 PDF 效果都能一致的原因。本质上，PDF 的格式限制确保了它在任何设备上的显示效果都一样。比如，一个包含 “Hello World” 字样的 PDF 文件用 PDF 阅读器打开时，效果如下面的左边所示。如果用文本编辑器打开这个 PDF 文件，显示结果如下面的右边所示。

看到上面的这个文件内容，我们也就明白了 PDF 为什么难于编辑的原因了。但也正是这个文件，会手把手地告诉电脑，怎么一点一点把这个文件的内容在屏幕上打印出来，最大程度地确保了所有人看到这个文件的效果都一样。

上面说的这类 PDF 文件是文本 PDF，也就是机器生成的 PDF。还有一类 PDF 文本是扫描 PDF，这类文件的每一页都是一张图片，所用到的解析方法和文本 PDF 也是不一样的。下面就分别把解析两类 PDF 文件效果还不错的工具介绍给大家。

文本 PDF 的解析

文本的提取

能够进行文本提取的 Python 库包括：pdfminer.six、PyMuPDF、PyPDF2 和 pdfplumber，效果最好的是 PyMuPDF，PyMuPDF 在进行文本提取时能够最大限度地保留 PDF 的阅读顺序，这对于双栏 PDF 文件的抽取非常有用。下面就以难度比较大的双栏 PDF 为例，来介绍使用 PyMuPDF 库进行文字抽取的效果。

我们以下面的 PDF 为例来看使用 PyMuPDF 进行文字提取的效果。

进行文本提取的代码如下：


import pymupdf

pages = pymupdf.open("bert.pdf")
text = pages[0].get_text()

print(text)

打印的结果如下：

BERT: Pre-training of Deep Bidirectional Transformers for
Language Understanding
Jacob Devlin
Ming-Wei Chang
Kenton Lee
Kristina Toutanova
Google AI Language
{jacobdevlin,mingweichang,kentonl,kristout}@google.com
Abstract
We introduce a new language representa-
tion ......
(5.1 point absolute improvement).
1
Introduction
Language model pre-training has been shown to
......
De Meulder, 2003; Rajpurkar et al., 2016).
There are two existing strategies for apply-
ing ......
predict the original vocabulary id of the masked
arXiv:1810.04805v2  [cs.CL]  24 May 2019

提取出的文字遵循了原 PDF 文件的阅读顺序，也就是先读左边栏的文字，再读右边栏的文字，(为了节省版面，对部分文字进行了省略)，这样提取出的文本也就保持了原 PDF 的语义。

除了上面的这种提取方式之外，我们还可以将文本提取为文本块的列表。代码如下：

import pymupdf

pages = pymupdf.open("bert.pdf")
text = pages[0].get_text("blocks")

print(text)

打印的结果如下：

[(116.51899719238281, 67.92063903808594, 481.02740478515625, 102.5250473022461, 'BERT: Pre-training of Deep Bidirectional Transformers for\nLanguage Understanding\n', 0, 0), (107.78799438476562, 128.531005859375, 492.7443542480469, 179.3809814453125, 'Jacob Devlin\nMing-Wei Chang\nKenton Lee\nKristina Toutanova\nGoogle AI Language\n{jacobdevlin,mingweichang,kentonl,kristout}@google.com\n', 1, 0), (158.89096069335938, 222.02301025390625, 203.37625122070312, 237.57672119140625, 'Abstract\n', 2, 0), ...... , (10.940000534057617, 256.5899658203125, 37.619998931884766, 609.8900146484375, 'arXiv:1810.04805v2  [cs.CL]  24 May 2019\n', 8, 0)]

由上面的结果可以看出，每个文本块包含了文本块的坐标、文本块的内容以及文本块的序号（为了节省版面，对部分文本块进行了省略）。有了每个文本块的上述信息，我们便可以知道文本块的阅读顺序；如果需要的话，还可以使用每个文本块的坐标信息对版面进行恢复。

表格的提取

表格提取效果比较好的库有 camelot 和 tabula ，表格又可以分为有线表和少线表。下面就分别以有线表和少线表为例来介绍 camelot 和 tabula 的使用。

有线表

我们以下面的 PDF 为例来看使用 camelot 和 tabula 进行有线表格提取的效果。

使用 camelot 进行表格提取的代码如下：

import camelot

tables = camelot.read_pdf('data.pdf')
print(tables[0].df)

输出结果如下：

使用 tabula 进行表格提取的代码如下：

import tabula

dfs = tabula.read_pdf("data.pdf")
print(dfs[0])

输出结果如下：

从结果可以看出，在提取有线表时，不管是 camelot 还是 tabula 都能很好地进行提取，而且不需要过多的参数设置。

少线表

我们以下面的 PDF 为例来看使用 camelot 和 tabula 进行少线表格提取的效果。

使用 camelot 进行少线表格提取的代码如下：

import camelot

tables = camelot.read_pdf('bert-6.pdf', flavor='stream')
tables[0].df

在使用 camelot 进行少线表格的提取时，需要将参数 flavor 设置成 stream ，输出结果如下：

使用 tabula 进行少线表格提取的代码如下：

import tabula

dfs = tabula.read_pdf("bert-6.pdf", stream=True)
dfs[0]

在使用 tabula 进行少线表格的提取时，需要将参数 stream 设置成 True ，输出结果如下：

在使用 camelot 和 tabula 进行少线表格的提取时，需要设置相应的参数。

扫描 PDF 的解析

文本的提取

在从扫描的 PDF 文件中提取文本时，使用开源的 PaddleOCR，并且用 PPStructure 做版面的分析。我们还是以下面的 PDF 文件为例，不过这是的 PDF 文件是扫描 PDF。

提取文本的代码如下：

import os
import cv2
from paddleocr import PPStructure, draw_structure_result, save_structure_res
from PIL import Image

img_path = "./bert-1.png"

table_engine = PPStructure(show_log=True)
save_folder = './output'
img = cv2.imread(img_path)
result = table_engine(img)
save_structure_res(result, save_folder, os.path.basename(img_path).split('.')[0])

font_path = './fonts/simfang.ttf'
image = Image.open(img_path).convert('RGB')
im_show = draw_structure_result(image, result, font_path=font_path)
im_show = Image.fromarray(im_show)
im_show.save('result.jpg')

得到的结果如下：

图中的左边是根据给出的版面分析结果画出来的，可以看出对双栏 PDF 做了正确的解析。右边是根据识别出来的文本以及文本的坐标画出来的，可以看出基本上和左边的版面以及内容是一致的。

表格的提取

我们还是以下面的 PDF 文件为例，不过这是的 PDF 文件是扫描 PDF。

代码如下：

import os
import cv2
from paddleocr import PPStructure,draw_structure_result,save_structure_res
from PIL import Image
 
table_engine = PPStructure(show_log=True)
save_folder = './output'
img_path = './bert-6.png'
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)

在上面的输出结果中，有一行类型为 table 的输出，我们将这一行中 html 标签下的内容拷贝出来，放到一个 html 文件中，得到如下的表格：

可以看出在表头这一块还是有一些差异，但是其他的信息基本都是正确的，应该说效果还是不错的。

总结

本文重要介绍了文本 PDF 和扫描 PDF 的解析，了解到了 PDF 文件解析的复杂性。要想 RAG（检索增强生成）后面的环节取得比较好的效果，文件解析的准确性至关重要。如果在文件解析这一环节质量不高的话，后面的环节不论怎么优化，也不会达到很好的效果。所以花大力气在文件的解析上，后面会收到事半功倍的效果。