跳至正文
← 返回出版物列表文档分析

重建 PDF 的逻辑结构

Auer et al., “Docling Technical Report”, IBM Research, 2024 · arXiv:2408.09869

PDF 是一种呈现格式:它指定页面上的字形及其坐标,不编码任何逻辑结构。其中没有任何东西区分标题与正文,没有任何东西界定表格,也没有任何东西确立阅读顺序。朴素的抽取按流的顺序拼接字形,结果是多栏版面的各栏相互交错,表格被线性化为一串失去表头的单元格,章节层级也随之丢失。这种劣化是无声的:抽取出的文本依然可读,却已丢失承载意义的那些关系。

IBM Research 团队在 2024 年通过 Docling 描述了一条把版面分析当作视觉问题处理的流水线。一个目标检测模型把页面分割为带类型的区域(标题、段落、表格、图、页眉),然后重建其阅读顺序;第二个专用模型重建表格结构,包括合并单元格和分层表头。对于没有文本层的页面,由光学字符识别引擎接手。输出是一种结构化表示,而非字符流。

这是 DeepView 索引的第一步,它决定了后续的一切:在这一阶段丢失的行列关系无法挽回,无论后续环节质量多高。段落切分依据这一结构而非固定长度,从而避免把表格一分为二,或把标题与它所引出的章节分开。整个过程在您的硬件上运行,扫描件也包括在内,无需出站网络访问。

深入细节

架构选择、相对于文献的有意偏离,以及评估的阶段性结果,都可直接与构建该系统的团队讨论。