从左右分栏的年报 PDF 里抽文本,页眉掺进了正文,跨页报表被截成两段,数值和所在行错了位。版面分析、表格结构重建、保留坐标各自修的是哪种错?扫描版要不要另走一条管道?
题目
从左右分栏的年报 PDF 里抽文本,页眉掺进了正文,跨页报表被截成两段,数值和所在行错了位。版面分析、表格结构重建、保留坐标各自修的是哪种错?扫描版要不要另走一条管道?
参考答案
点击展开参考答案
- 双栏被抽成“一行读穿两栏”,是阅读顺序问题,要靠版面分析恢复左栏再右栏,而不是更好的 embedding。
- 跨页表表头在上一页、行在下一页,要靠表格结构重建并按表头拼接,不能当两个互不相关的块。
- 页眉页脚每页重复,应按坐标聚类后剔除,否则会污染分块和词法权重。
- 坐标保留让引用能回到页和单元格,也让页眉剔除可复现。
- 失败链路在解析,不在向量。
- 朴素文本抽取按 PDF 绘制顺序或 x 坐标横扫,双栏会变成半句拼半句;表会变成“营收 12.3 成本 9.1”这种错位词袋,模型再忠实也只能忠实于错表。