如何高效轉換PDF為Markdown：構建優質Graph RAG的第一步 原創
01、概述
在信息驅動的時代，基于圖的RAG（Graph RAG）正迅速成為一種強大的工具，超越了傳統依賴向量存儲的RAG應用。它不僅提供語義相似性檢索，更具備強大的推理能力。例如，向量存儲能輕松回答“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于同一所學校？”這樣需要隱式推理的問題，圖RAG更勝一籌。
但問題在于，如何構建圖數據庫以支持這種高級檢索？更進一步，如何從復雜的年報中提取信息，為圖數據庫的構建鋪平道路？
本文將重點探討年報信息的提取與轉化，尤其是如何將PDF轉化為Markdown這一工程關鍵環節。
02、PDF轉化為富文本：選擇正確的工具
PDF是信息存儲的常見格式，但年報中不僅有文本，還包括圖表、表格等關鍵信息。如何高效、準確地將這些內容轉化為結構化的富文本，直接決定了后續數據處理和圖數據庫構建的質量。
常用PDF處理工具評測
1） PyPDF2
對于大多數Python程序員來說，PyPDF2可能是處理PDF的首選工具。它的主要優勢是快速、輕量化。然而，它的缺點也很明顯：提取的內容缺乏結構性，沒有區分標題、列表或表格，這使得后續處理變得復雜。
2） PyMuPDF4LLM
PyMuPDF4LLM是一個將PDF直接轉換為Markdown的工具，且保留了文本的結構信息。Markdown格式的文本因其內嵌的層次信息，被Langchain等框架廣泛支持。這種格式不僅方便分塊處理，還為數據存儲和檢索提供了更多維度的信息。
然而，PyMuPDF4LLM在處理表格時表現不佳，提取結果往往與原始表格大相徑庭。
3） Dockling
Dockling由IBM Deep Search團隊開發，它在提取PDF內容方面表現出色，尤其是在保留表格信息和文檔結構方面。Dockling生成的Markdown包含占位符以標記圖片，并且準確保留了層級標題和表格信息，這對創建塊結構和圖數據庫非常有幫助。
4） Marker
Marker是另一個優秀的Markdown提取工具，在處理表格和復雜文檔時與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、表格和圖片的年報片段，并測試了它們在不同頁數PDF上的處理速度。
測試結果
分析與選擇
在性能和提取質量之間存在顯著權衡：
- 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容的結構化問題。
- 如果需要高質量的表格和結構信息，Dockling是最優解，盡管其速度偏慢。
對于我們的年報處理項目，每份年報約300頁，使用Dockling處理50份年報需耗時17小時。如果擴展到S&P500企業過去30年的年報（假設每年一份），單線程處理將耗時208天。
04、如何解決性能瓶頸
并行化處理與云服務
為了應對大規模文檔處理需求，我們開發了一個云服務，將PDF轉化工作分布到多個并行進程中。
- 并行處理：將年報分塊到多個處理節點，利用云計算資源顯著提升效率。
- 動態擴展：根據項目規模調整并行任務的數量，實現彈性擴展。
這種方式不僅解決了單線程的速度限制，還為項目未來的擴展提供了可行路徑。
05、最終解決方案：PDF到Markdown的轉化策略
結合以上測試結果與性能優化方案，我們的最終工作流程如下：
- 使用Dockling提取PDF內容為Markdown，確保表格和結構信息的完整性。
- 將Markdown文件按邏輯分塊，為圖數據庫構建提供更優質的數據源。
- 通過并行化的云服務加速處理，滿足大規模數據處理需求。
06、結語
從PDF到Markdown的轉化是構建圖RAG的第一步，而選擇合適的工具則是實現高質量數據提取的關鍵。盡管Dockling在速度上存在劣勢，但其卓越的提取質量使其成為優選工具。通過并行處理，我們克服了性能瓶頸，為構建更智能、更高效的RAG系統奠定了堅實基礎。
未來，隨著技術的進一步發展，PDF轉化工具的性能和準確性有望進一步提升。到那時，Graph RAG的構建過程將更加高效，為AI領域帶來更多創新應用。
本文轉載自公眾號Halo咯咯 作者：基咯咯
