为什么你的RAG效果差？可能PDF没准备好！

将PDF转换为文本，过去只是“勉强可用”，如今已能“轻松实现”。但许多RAG系统表现不佳，根源往往在于PDF解析阶段丢失了关键的结构化信息。本教程将带你从PDF解析工具选型到大规模并行处理方案，全面掌握构建高质量RAG数据管道的核心技术。

1. 为什么选择GraphRAG？

最近我搭建了一个图数据库，用于RAG系统——换句话说，我们构建了一个GraphRAG。相比传统向量数据库支持的RAG，GraphRAG拥有一个显著优势——推理能力更强。例如：

问题A：「XYZ公司去年CFO是谁？」
这种问题，向量搜索就能轻松解决，因为年报中通常直接写明。

但换成这样：

问题B：「XYZ公司有哪两位董事是同一所学校毕业的？」
如果年报没有直接提及学校名称，向量搜索就“无能为力”了。而GraphRAG则能胜任，因为它可以推理出隐含关系。

但问题来了——如何构建这个图？ 如果我们再深入一步思考：如何从PDF中提取信息来构建知识图谱？ 这篇文章就来讲解这个过程。

2. 主流PDF解析工具效果对比

所有工程步骤都从一件事开始：将PDF转化为文本数据。但年报并非普通PDF，它们包含大量图表、表格、结构化数据。大多数Python开发者用过这些PDF解析库：

• PyPDF2 —— 老牌工具，能用，但功能简陋。
• PyMuPDF4LLM —— 可将PDF直接转为Markdown格式。
• Docling —— IBM Deep Search出品，提取效果惊艳。
• Marker —— 另一个较新的工具，表现也不错。

2.1 各工具提取效果对比

• PyPDF2：纯文本提取，无任何结构。段落、标题、表格、列表，全部混在一起。
• PyMuPDF4LLM：能转换为Markdown，包含结构信息，得到LangChain等框架支持，但表格提取效果不佳。
• Docling：表现最强！能保留标题层级、表格结构，甚至为图片添加占位符。
• Marker：也不错，但整体信息保留度不如Docling。

3. Docling的优势与速度问题

我们进行了一项实验，从包含文字、表格、图片混合段落的年报中提取内容，放置在不同页数的PDF中，测试各工具的处理速度。结果如下：

• Docling：每页大约4秒
• Marker：每页大约8秒
• PyPDF2：极快，但结构信息很少

如果处理几十份报告（例如50份，每份300页），那么意味着：

300页×50份×4秒÷3600秒≈17小时

这还在可接受范围内。但如果扩展到标普500所有公司30年的年报——就需要处理上百万页。单机运行不现实，因此我们选择了云服务+并行处理方案。