fpdf2

PDF转Markdown可保留结构，改善RAG分块效果

本文解决了在使用检索增强生成（RAG）处理PDF文档时遇到的常见问题，例如多栏布局中的阅读顺序不正确、表格结构丢失以及标题被当作普通文本处理。文章认为，将PDF转换为Markdown格式（而非纯文本）可以通过保留结构信息来有效解决这些问题。该博文比较了几种用于PDF提取的开源Python库，并提供了一个脚本来演示Markdown转换如何改善RAG管道的分块效果。