01、概述

在信息驅(qū)動(dòng)的時(shí)代，基于圖的RAG（Graph RAG）正迅速成為一種強(qiáng)大的工具，超越了傳統(tǒng)依賴向量存儲(chǔ)的RAG應(yīng)用。它不僅提供語義相似性檢索，更具備強(qiáng)大的推理能力。例如，向量存儲(chǔ)能輕松回答“XYZ公司去年的CFO是誰？”這種基于顯式信息的問題，但對于“XYZ公司哪兩位董事畢業(yè)于同一所學(xué)校？”這樣需要隱式推理的問題，圖RAG更勝一籌。

但問題在于，如何構(gòu)建圖數(shù)據(jù)庫以支持這種高級檢索？更進(jìn)一步，如何從復(fù)雜的年報(bào)中提取信息，為圖數(shù)據(jù)庫的構(gòu)建鋪平道路？

本文將重點(diǎn)探討年報(bào)信息的提取與轉(zhuǎn)化，尤其是如何將PDF轉(zhuǎn)化為Markdown這一工程關(guān)鍵環(huán)節(jié)。

02、PDF轉(zhuǎn)化為富文本：選擇正確的工具

PDF是信息存儲(chǔ)的常見格式，但年報(bào)中不僅有文本，還包括圖表、表格等關(guān)鍵信息。如何高效、準(zhǔn)確地將這些內(nèi)容轉(zhuǎn)化為結(jié)構(gòu)化的富文本，直接決定了后續(xù)數(shù)據(jù)處理和圖數(shù)據(jù)庫構(gòu)建的質(zhì)量。

常用PDF處理工具評測

1） PyPDF2
對于大多數(shù)Python程序員來說，PyPDF2可能是處理PDF的首選工具。它的主要優(yōu)勢是快速、輕量化。然而，它的缺點(diǎn)也很明顯：提取的內(nèi)容缺乏結(jié)構(gòu)性，沒有區(qū)分標(biāo)題、列表或表格，這使得后續(xù)處理變得復(fù)雜。

2） PyMuPDF4LLM
PyMuPDF4LLM是一個(gè)將PDF直接轉(zhuǎn)換為Markdown的工具，且保留了文本的結(jié)構(gòu)信息。Markdown格式的文本因其內(nèi)嵌的層次信息，被Langchain等框架廣泛支持。這種格式不僅方便分塊處理，還為數(shù)據(jù)存儲(chǔ)和檢索提供了更多維度的信息。

然而，PyMuPDF4LLM在處理表格時(shí)表現(xiàn)不佳，提取結(jié)果往往與原始表格大相徑庭。

3） Dockling
Dockling由IBM Deep Search團(tuán)隊(duì)開發(fā)，它在提取PDF內(nèi)容方面表現(xiàn)出色，尤其是在保留表格信息和文檔結(jié)構(gòu)方面。Dockling生成的Markdown包含占位符以標(biāo)記圖片，并且準(zhǔn)確保留了層級標(biāo)題和表格信息，這對創(chuàng)建塊結(jié)構(gòu)和圖數(shù)據(jù)庫非常有幫助。

4） Marker
Marker是另一個(gè)優(yōu)秀的Markdown提取工具，在處理表格和復(fù)雜文檔時(shí)與Dockling不相上下。但性能和速度稍遜一籌。

03、性能比較：四種工具的優(yōu)劣勢

為了更直觀地比較這些工具，我們選取了包含文本、表格和圖片的年報(bào)片段，并測試了它們在不同頁數(shù)PDF上的處理速度。

測試結(jié)果

分析與選擇

在性能和提取質(zhì)量之間存在顯著權(quán)衡：

• 如果速度是首要考慮因素，PyPDF2是最佳選擇，但需額外處理提取內(nèi)容的結(jié)構(gòu)化問題。
• 如果需要高質(zhì)量的表格和結(jié)構(gòu)信息，Dockling是最優(yōu)解，盡管其速度偏慢。

對于我們的年報(bào)處理項(xiàng)目，每份年報(bào)約300頁，使用Dockling處理50份年報(bào)需耗時(shí)17小時(shí)。如果擴(kuò)展到S&P500企業(yè)過去30年的年報(bào)（假設(shè)每年一份），單線程處理將耗時(shí)208天。

04、如何解決性能瓶頸

并行化處理與云服務(wù)
為了應(yīng)對大規(guī)模文檔處理需求，我們開發(fā)了一個(gè)云服務(wù)，將PDF轉(zhuǎn)化工作分布到多個(gè)并行進(jìn)程中。

• 并行處理：將年報(bào)分塊到多個(gè)處理節(jié)點(diǎn)，利用云計(jì)算資源顯著提升效率。
• 動(dòng)態(tài)擴(kuò)展：根據(jù)項(xiàng)目規(guī)模調(diào)整并行任務(wù)的數(shù)量，實(shí)現(xiàn)彈性擴(kuò)展。

這種方式不僅解決了單線程的速度限制，還為項(xiàng)目未來的擴(kuò)展提供了可行路徑。

05、最終解決方案：PDF到Markdown的轉(zhuǎn)化策略

結(jié)合以上測試結(jié)果與性能優(yōu)化方案，我們的最終工作流程如下：

• 使用Dockling提取PDF內(nèi)容為Markdown，確保表格和結(jié)構(gòu)信息的完整性。
• 將Markdown文件按邏輯分塊，為圖數(shù)據(jù)庫構(gòu)建提供更優(yōu)質(zhì)的數(shù)據(jù)源。
• 通過并行化的云服務(wù)加速處理，滿足大規(guī)模數(shù)據(jù)處理需求。

06、結(jié)語

從PDF到Markdown的轉(zhuǎn)化是構(gòu)建圖RAG的第一步，而選擇合適的工具則是實(shí)現(xiàn)高質(zhì)量數(shù)據(jù)提取的關(guān)鍵。盡管Dockling在速度上存在劣勢，但其卓越的提取質(zhì)量使其成為優(yōu)選工具。通過并行處理，我們克服了性能瓶頸，為構(gòu)建更智能、更高效的RAG系統(tǒng)奠定了堅(jiān)實(shí)基礎(chǔ)。

未來，隨著技術(shù)的進(jìn)一步發(fā)展，PDF轉(zhuǎn)化工具的性能和準(zhǔn)確性有望進(jìn)一步提升。到那時(shí)，Graph RAG的構(gòu)建過程將更加高效，為AI領(lǐng)域帶來更多創(chuàng)新應(yīng)用。

本文轉(zhuǎn)載自公眾號Halo咯咯    作者：基咯咯

原文鏈接：??https://mp.weixin.qq.com/s/YGdqMYnK-VENPvi5RLVsMg??