我要投稿

打造自己的RAG解析大模型：简单高效的跨页表格合并方案

发布日期：2024-12-15 11:17:31 浏览次数： 1923 作者：真聊技术

在构建 RAG 知识库时，PDF文档中的表格跨页现象是一个常见挑战。传统方法依赖复杂的逻辑来判断和合并表格，而更简单、高效的方案可以通过 chunk 的存储和上下文管理来解决。

两种表格合并算法

两种算法都基于版面识别判断法。

前提：正确识别版面并去除每页的页眉、页脚。

1. 合并后存储为一个chunk

判断当前页最后一个元素和下一页第一个元素的类型：

如果两者均为表格类型，则认为是跨页表格的延续。

将两页的表格合并成一个完整表格，存储为一个 chunk。

示例代码：

def merge_cross_page_tables(tables_per_page):    merged_tables = []    temp_table = None
    for page_num, tables in enumerate(tables_per_page):        for table in tables:            if temp_table:  # 上一页存在未合并的表格                temp_table += table  # 合并表格内容                merged_tables.append({"page": page_num, "table": temp_table})                temp_table = None            else:                temp_table = table        if temp_table:  # 表格延续至下一页            continue    return merged_tables

2. 基于分块与描述同步法（推荐）

将跨页表格的两部分分别提取，并生成独立的 chunk，一般第一个表格的描述信息就是第二页表格的描述信息，需要特殊处理就可以实现跨页。

前一页：表格 X（第1部分）

下一页：表格 X（延续部分），前页描述：表格 X（第1部分）

这种方法无需实时合并表格，通过 LLM 在检索时合并上下文中的表格 chunk，完美解决跨页问题。

示例代码：

import pdfplumber
def extract_tables_as_chunks(pdf_path):    chunks = []    prev_table_desc = ""    table_counter = 1
    with pdfplumber.open(pdf_path) as pdf:        for page_num, page in enumerate(pdf.pages):            tables = page.extract_tables()            for table in tables:                if prev_table_desc:                    desc = f"表格 {table_counter}（延续部分），前页描述：{prev_table_desc}"                    prev_table_desc = ""  # 重置描述                else:                    desc = f"表格 {table_counter}（第1部分）"                    prev_table_desc = desc
                chunk = {"description": desc, "data": table, "page": page_num + 1}                chunks.append(chunk)            table_counter += 1
    return chunks

两种方案的对比

方法	实现复杂度	存储结构	检索合并方式
版面元素判断法，合并	中等	单个 chunk 存完整表格	不需要额外合并
版面元素判断法，分块与描述同步法（推荐）	简单	多个 chunk	描述增强关联性 LLM 上下文自动合并输出