实体
pdfminer
pdfminer
PulseAugur coverage of pdfminer — every cluster mentioning pdfminer across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 0
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
企业 RAG 管道使用空间 OCR 和布局解析处理复杂文档
本文详细介绍了一个企业级检索增强生成 (RAG) 摄取管道，该管道旨在处理复杂文档。文章强调通过采用多阶段流程来克服 RAG 部署中的常见故障，该流程结合了空间计算机视觉、布局感知解析和视觉语言模型图表索引。该管道包括使用 MuPDF 和 YOLOv8 进行空间 OCR 以解决文档几何结构，然后使用 BeautifulSoup 和 pandas 等库进行布局感知的表格提取和 Markdown 序列化。
-
RAG 管道失败归因于文档解析，而非 LLM 或检索
企业检索增强生成 (RAG) 系统经常因文档摄取和解析层的问题而失败，而不是 LLM 或检索机制的问题。标准的解析器难以处理复杂的文档结构，如多页表格、扫描图像和多栏布局，在数据到达下游组件之前就已静默损坏。本文提出了一种使用 Docling 和 LangChain 的生产级摄取管道，以从源头解决这些解析失败问题，确保 RAG 应用程序的数据质量得到提升。