В этом материале
Запрошенная стратегия разбора PDF может отличаться от фактически выполненного пути из-за зависимостей и резервных механизмов конкретной версии.
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 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 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 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; OCR на CPU или GPU: где ускоритель меняет весь процесс.