PDF 解析为什么难：一份面向 RAG 的问题清单与解决路线

核心观点：很多教程把 PDF 进 RAG 简化成 PDF -> 纯文本 -> 切块 -> 向量库。这只在单栏电子 PDF 上成立。 真实语料中，同一个 .pdf 背后可能是扫描件、乱码字体、双栏论文、跨页表格或公式教材。 跳过结构恢复的代价：阅读顺序错乱、表格列错位、公式消失、无法

cnblogs​.com • Sep 17, 2026