文档解析Document Parsing

先认出这一页发票，再看抽出来的字段能不能入库

下面就是知识库要吃进去的那一页。默认发票字段清楚、可入库；双栏会拼出残句，扫描件日期会粘住——失败章盖在这一页上。

知识点：解析质量就是检索质量

页上的读序、置信度和拦截章已经演过，这里只给命名。

• 解析输出不是一段纯文本，而是带读序、页码、坐标和置信度的结构块。
• 双栏必须按栏读；按行读会把左右栏拼成残句，引用会指错段。
• 表格靠行列关系；边框断裂要停在复核，不能打成一串字。
• 扫描件靠 OCR，低置信字符必须人工核对，不能猜完再入库。

什么时候盯解析、怎么盯

RAG 引用错页、表格乱码、扫描件乱字，多半出在解析。

• 信号：引用错页、表格问答答非所问、扫描件检索乱码。
• 适用：PDF / Word / 扫描件要进知识库之前。
• 不适用：源数据已是 JSON、CSV、API——直接分块更准。
• 最短路径：带版面的解析器 → 看读序和置信度 → 低置信停复核 → 过门再进索引。

正反例：同一篇双栏论文，只换读法

都要把论文倒进知识库。