PDF 喂进知识库前，先过文档解析：被“粉碎”的版式，才是建库失败的真因

摘要：

线性文本化会把 PDF 压成一段字符，标题层级、表格列名与数值、多栏顺序这些关系全部丢失，下游分块与检索随之失准。多模态解析（文档版）用阅读顺序、层级结构与图片资源保留这些关系，输出可直接入库的结构化结果。

一、PDF 里的版式是怎么被“粉碎”的

把一份 PDF 交给一个“能读文字”的工具，它给出的结果往往看起来是对的——文字都在，顺序大致也对。问题在于，PDF 面向的是“人眼阅读时看到的那一版”，而文本抽取面向的是“把字符按一定顺序排出来”。这两者不是一回事：阅读时，标题的字号、段落的缩进、表格的边框、图片的位置，都在参与表达含义；一旦被压平成一段线性文字，这些参与表达的结构全部退出，只剩下一串字符。

这就是“粉碎”的含义。它不是把文字丢了，而是把文字之间的关系丢了。而后续的分块、检索、生成这一整条链路，依赖的恰恰是关系，不是字符。

建库之后发现答案不对、检索不准，最先被怀疑的通常是分块策略、检索参数或者模型，这三个环节也确实需要调。但能调好的前提，是解析产物本身还留着结构；结构在这一步就丢了，后面怎么调都补不回来。这也是解析必须放在入库之前的原因。

1.1 标题层级丢失：目录与正文被拉平

一份规范的技术文档、制度文件或合同，靠的是章节层级来组织内容：第几章、第几节、第几条。层级决定了某一段话的适用范围——同样一句“最长不超过 30 天”，出现在“甲方义务”下面和出现在“免责条款”下面，含义完全不同。

线性文本化的结果是所有标题变成普通的一行文字，层级关系消失。入库之后，每一段文字都失去了它所在的“位置”，检索命中某一段时，系统无法判断它属于哪一章，生成答案时也就无法判断这句话管的是什么范围。

1.2 表格被拆散：列名与数值失联

表格是容易在抽取过程中受伤的一类内容。线性文本化会把表格按行或按块转成文字：表头的列名出现一次，后面的数据行只剩下一串数字；如果表格跨页，第二页往往连列名都没有，只留下若干行数值。

数值一旦和列名分开，含义就不可恢复了。“合计金额 12800”这行字本身没错，但它指的是一月的还是一季度的、是含税还是不含税，取决于它原来在表格里的位置。检索到这样的片段，模型只能猜；猜出来的结果读起来通顺，却不一定是文档里写的意思。

1.3 图片与公式变空白

图片、流程图、示意图、公式，在纯文本抽取里通常以两种方式消失：要么被整块跳过，输出里干脆没有这段内容；要么被替换成一小段占位文字。公式的情况更麻烦，很多 PDF 中的公式以矢量图形或特殊字体嵌入，文本抽取拿到的是一串符号乱序的字符。

后果是文档里存在“看不见的空洞”——正文写着“详见图 3”，而图 3 从来没有进入过解析结果；题干里写着“根据公式（2）计算”，公式（2）在库里是一串无法解析的字符。

1.4 多栏阅读顺序错乱

双栏、三栏排版在学术论文、说明书、年报里很常见。按坐标从上到下扫描时，同一水平线上的左右两栏内容会被交错读出，形成“左栏第一段接右栏第一段接左栏第二段”的顺序。拿到这份输出的人只能靠语义猜测去拼回原文；而入库之后，这种错序会直接变成检索块的错序，甚至让相邻两栏的内容被切进同一个分块。

二、“保全版式”具体保全什么

既然问题出在关系被丢掉，那么解析要做的就不是“尽可能多地把字读出来”，而是把关系一并保留下来。落到能力描述上，就是三项：阅读顺序、层级结构、图片资源。

这三项与前面列出的四类伤害并不是一一对应。表格的结构不由某一项单独承担，它与参数选择中的切片表格识别有关；以图形方式嵌入的内容，则由图片资源这一项承接。

2.1 阅读顺序

阅读顺序回答的是“这些内容按什么次序读”。对多栏、横竖混排、图文穿插的文档，正确的阅读顺序等同于还原了一次人的阅读路径：先读完左栏再到右栏，先读正文再到图注。

它的价值在下游的分块环节体现得最直接：顺序正确，分块才能放心按结构边界来切；顺序错乱时，切出来的块从一出生就带着错误的上下文。

2.2 层级结构

层级结构回答的是“这段内容属于哪里”。带层级结构输出，意味着标题与正文的从属关系在解析结果里仍然成立。

有了层级，分块就可以按章节来切，而不是按固定字数来切；检索命中某一段之后，也能顺着层级把父级标题一起带出来，作为判断这段内容适用范围的最小上下文。

2.3 图片资源

图片资源回答的是“那些不能变成文字的内容去哪了”。解析结果不能只有文本流，还必须把文档中的图片单独抽出来保存成文件，让“图 3”这个引用有对应的实物。

图片资源承接的是以图片、图形方式存在的内容。如果业务需要的是公式的结构化表达式，而不是原样保留的图形，那属于另一类能力，选型时要单独确认。

这三件事配合起来，才构成“整份文档的可用表示”：文字有顺序，内容有归属，非文字内容有实体。只做文字识别、不做这三件事的方案，输出的仍然是碎片。

三、解析结果长什么样、怎么入库

文档智能的多模态解析（文档版）用一个接口支持不同格式的文档解析，接口为 MultimodalDocParse。它的定位是助力企业文档智能化及大模型应用前处理环节，也就是把“入库前的这一步”做完整。

结果不是一段文本，而是一个 zip 压缩包。调用后获得结果的临时下载地址（ResultUrl），压缩包内包含 .md 文件、.json 文件以及 images 文件夹三部分：Markdown 便于直接阅读与展示，JSON 承载结构与坐标信息，images 文件夹保存文档中的图片资源。这里有一个容易踩坑的点：这个下载地址的有效期是 30 分钟，集成层应当在拿到地址后立即转存到自己的对象存储，而不是把地址存起来等后续任务再取。

下表是提交解析任务时的主要参数，其中对入库结果影响最直接的是输出形态（ResultType）与任务类型（TaskType）。

ResultType 的选择取决于下游要什么：入库分块依赖结构，用 json；需要直接把内容展示给人看，用 markdown；默认值 9 一次拿到三种形态，适合使用方式还没定型的阶段。TaskType 则是“按文档主体内容选”——以表格为主体的报表类文档，走切片表格识别能更好地保留表格结构。

入库动作可以按这个顺序组织：按 FileType 和 PageRange 提交解析任务，拿到 zip 后解压，用 JSON 中的层级结构与阅读顺序重建分块，用 Markdown 作为可读文本，用 images 文件夹里的文件补齐正文中被引用的图。

四、规格与成本口径

八类格式通用，差别主要在文件大小与页数上限：PDF、Word、PPT 支持 150M 且 300 页以内，Excel 支持 10M 以内，TXT 支持 10M 以内，图片文件支持 70M 以内；文件下载时间不超过 3 秒，单次调用最多支持 300 页，超过这个页数需要按 PageRange 分批。默认并发数为 5。

计费按页。后付费单价为 0.08 元/页，预付费资源包的阶梯价如下。

免费额度为 1000 页/用户，首次开通服务时一次性发放，有效期 1 年；付费资源包同样是 1 年有效期，采购量要按这一年里真实能用上的页数来定。

并发不够时可以购买并发买断包，价格为 3000 元/并发/月，单次下单最低购买 5 并发，购买页默认最高支持购买 10 并发，超过 10 并发需联系商务，主子账号共享并发任务数额度。按最低档计算，5 并发是 15000 元/月。

这里的并发指同时能接几个任务：5 并发表示同时可处理 5 个已提交的任务，约束的是“同时有几份文档在解析”，而不是单份文档的页数上限。要不要扩容取决于提交方式——集中在月底、季度末这类峰值时段，扩容能明显压缩总耗时；提交分散、对完成时间没有硬要求时，默认的 5 并发足够支撑。

五、总结

入库前这一步决定了后面所有环节能拿到什么。文字被读出来只是及格线，阅读顺序、层级结构与图片资源被一并保留下来，文档才算真的可用。

决定采购之前，先按实际页数把量级估出来，再对照档位定价逐档核算。多模态解析（文档版）首次开通即发放 1000 页免费额度、一年内有效，用免费额度就够把一批真实文档的解析链路先跑通，不必一上来就付费；确认要放量之后，再对照 文档智能特惠活动 的折扣档位：多模态解析（文档版）新用户首单低至 5 折、不限新老用户低至 6 折，按页数选规格更划算。