在 RAG（检索增强生成）系统中，PDF 文档中的表格（Tables）和图片（Images/Charts）确实是最大的痛点。传统的文本提取工具（如 PyPDF2）往往会将表格变成一堆乱码，完全忽略图片。 处理这些复杂的非结构化数据，通常需要一套“解析（Parsing） -> 处理（Processing） -> 索引（Indexing）”的组合策略。以下是目前业界最主流且有效的处理方案： --- 一、 表格（Tables）的处理策略 表格包含行、列和标题的二维关系，如果直接展平为一维文本，语义会完全丢失。 1. 提取阶段 (Extraction) 基于规则/流的工具：如果 PDF 是原生的（非扫描件），可以使用 Camelot 或 Tabula。它们利用 PDF 内部的线条坐标来重建表格。 基于视觉模型的工具（推荐）：对于复杂表格（无边框、合并单元格）或扫描件，必须使用视觉模型。 Microsoft Azure Document Intelligence (前 Form Recognizer)：目前业界公认表格识别效果最好的商业 API。 LlamaParse：LlamaIndex...
播面