# Разбор PDF в Unstructured: fast, hi_res и ocr_only для разных входов

Стратегии Unstructured для PDF выбирают по содержимому документа и требуемой структуре, а не как уровни качества fast, hi_res и ocr_only.

Автор: Команда Retrivium
Обновлено: 2026-11-03
Канонический URL: https://retrivium.ai/ru/journal/unstructured-pdf-strategy-selection/
Language: ru

Стратегии Unstructured для PDF выбирают по содержимому документа и требуемой структуре, а не как уровни качества fast, hi_res и ocr_only. Цифровой текст, сканированные страницы и таблицы со сложным макетом создают разные задачи извлечения, для которых могут потребоваться разные пути обработки исходного файла.

## Прочитать назначение стратегий

Официальная [документация стратегий](https://docs.unstructured.io/open-source/concepts/partitioning-strategies) описывает доступные подходы partitioning. Текстовый и OCR-пути используют неравноценные исходные подтверждения. Анализ макета добавляет ещё одну задачу: распознавание элементов и отношений между ними. Нельзя считать самый сложный вариант универсально предпочтительным. Он добавляет зависимости и изменения результата, ненужные простому цифровому документу, но важные для сложной сканированной формы. Поэтому решение связано с требуемым выходом, а не только с названием алгоритма.

## Изучить PDF перед выбором

[Справочник partitioning](https://docs.unstructured.io/open-source/core-functionality/partitioning) описывает поведение PDF и параметры стратегий. В выборке проверяют пригодный встроенный текст, изображения с текстом, колонки и таблицы. Файл способен смешивать цифровые и сканированные страницы, поэтому удачной первой страницы недостаточно. До выбора определяют, нужны ли обычные абзацы, категории элементов, структура таблиц или подтверждения с привязкой к странице. Эти требования становятся критериями приёмки, а не скрытыми ожиданиями, появляющимися только после построения индекса поиска.

## Собрать контрольные документы

Используем цифровую политику, скан счёта и брошюру с колонками. Каждый преобразователь должен восстановить конкретное отношение подтверждений, а не просто выдать непустой текст. Для сопоставимых результатов сохраняют одинаковый последующий поисковый вопрос. Если путь меняет порядок текста, дефект относится к разбору документа, даже когда embedding-модель затем высоко ранжирует повреждённый фрагмент. Поисковое сходство не исправляет исходную связь между подписью, значением и соответствующим разделом документа.

| Входной документ | Основная проверка приёмки |
| --- | --- |
| Цифровая политика | Границы абзацев и разделов |
| Сканированный счёт | Подписи и соответствующие значения |
| Многоколоночная брошюра | Задуманный поток чтения |
| Таблица со значимым макетом | Отношения строк и заголовков |

## Проверить зависимости и замены пути

[Первичная реализация](https://github.com/Unstructured-IO/unstructured) задаёт поведение конкретной версии. Сохраняют ревизию пакета, конфигурацию OCR и необходимые модели либо системные зависимости. Запрошенная стратегия и реально выполненный путь могут различаться при документированных условиях, поэтому нужны журналы и метаданные результата. Команду нельзя объявлять одинаковой во всех средах, если наличие зависимостей меняет обработку или мешает выполнению. При разборе ошибки сначала устанавливают фактический путь, а уже затем сравнивают качество его результата.

## Принять контракт выхода

На контрольном наборе сравнивают пропуски текста, порядок, типы элементов и происхождение подтверждений. Выбирают наименее сложный путь, удовлетворяющий требованиям, сохраняя исключения для трудных классов документов. Сомнительные страницы направляют на проверку вместо выдуманного единообразного качества. Рабочий артефакт — таблица решений по классам с проверенными примерами выхода, а не заявление, что одна стратегия всегда даёт лучшие ответы RAG или быстрее преобразует любой документ на любой машине без локального измерения.

Связанные материалы: [GPU-конвейер OCR для PDF: как оценить сервер на 1000 страниц](/ru/journal/pdf-ocr-gpu-pipeline/); [OCR на CPU или GPU: где ускоритель меняет весь процесс](/ru/journal/ocr-gpu-vs-cpu/).