RAG PDF Parsing 最佳實踐：匯入 PDF 前必須完成的 5 個檢查

結論先講：多數 RAG 知識庫翻車，不是嵌入模型選錯，而是PDF 未經預檢就直接匯入——掃描頁被當成文字層、表格碎成雜訊、頁首頁尾污染每個 chunk、雙欄版面讀取順序錯亂。本文整理五項上線前必做檢查，涵蓋抽樣指令、解析器對照表與分塊閘門清單，適用於任何 RAG PDF Parsing 流程。

若你正把手冊、論文或合約餵進 LangChain、LlamaIndex、Dify 或自建管線，請記住：先驗品質，再分塊。關鍵字：RAG PDF Parsing、PDF Parsing Best Practices、AI PDF Parsing。

最後審閱：2026 年 8 月 7 日。解析器行為以現行 PyMuPDF、pdfplumber 與 LlamaIndex loaders 為準。

為何 PDF 是 RAG 最高風險格式

PDF 為列印保真而生，不是語意儲存。單頁可疊加文字層、向量圖、嵌入字型、隱藏 OCR 層與掃描影像——通用 get_text() 可能回傳字元卻不保閱讀順序。RAG 會放大每個錯誤：髒文字 → 錯誤分塊 → 嵌入漂移 → 無關檢索 → 自信幻覺。

常見失敗：800 份產品 PDF 丟進預設 loader。兩週後客服代理把頁尾版權行當規格引用。根因：60% 掃描、30% 雙欄、一套解析器打天下。修復意味重解析、重嵌入、重索引——遠比五項預檢昂貴。

PDF Parsing Best Practices 第一條：依文件類型分流，別「一個 loader 統治一切」。

檢查 1：原生文字 vs 掃描 PDF

目標：30 秒內判斷用純文字抽取還是 OCR + 版面分析。

做法：

• 執行 pdfinfo 或 PyMuPDF；若 page.get_text() 每頁少於 50 字且影像物件多，視為掃描/影像 PDF。
• 抽樣 3 頁（首、中、尾）：能否依序選取文字？
• 檢視 Producer/Creator 中繼資料——部分「列印成 PDF」流程會產生破碎偽文字層。

通過：抽樣頁面 ≥ 90% 有連續、順序正確的文字。

未過：導向 OCR（Tesseract、PaddleOCR 或託管 LlamaParse）。批次任務請在獨立 Agent 編排主機 跑 OCR worker，避免嵌入佇列卡住。

檢查 2：文字抽取品質抽樣

目標：嵌入中無編碼亂碼或隱藏字元。

做法：

• 匯出 5 頁隨機文字；搜尋替換字元、私用區 Unicode、連字拆分（fi、fl）。
• 比對 PDF 原文與抽取結果中的 SKU、版本號、API 路徑——高價值檢索 token。
• 中文 PDF 請確認簡繁、全半形未混用。

通過：關鍵實體 100% 一致；亂碼率 < 0.5%。

未過：換解析器——表格用 pdfplumber、大量文字用 PyMuPDF、學術頁用版面工具。參考 LangChain PDF loader 指南；務必在樣本上驗證。

檢查 3：版面——欄位、表格、頁首頁尾

目標：閱讀順序符合人類理解，而非繪製順序。

做法：

• 多欄：左欄讀完再右欄；若交錯，用版面偵測或 bbox 重排。
• 表格：抽 2 份檔——儲存格不可塌成逗號糊。存成 Markdown 表或 content_type=table chunk。
• 頁首頁尾：若同一行出現在 > 40% chunk，解析時剝除。

通過：三人抽查讀得通；表格維持二維；頁首頁尾已排除。

未過：用分區解析器（Unstructured hi_res、Docling 等）或分塊前去重複行。AI PDF Parsing 的痛點多半是版面，不是 OCR 準度。

檢查 4：安全與合規

目標：索引中無加密、高 PII 或未授權內容。

做法：

• 略過或解密密碼 PDF；記錄 skipped_encrypted 計數。
• 合約與工單做 PII 掃描（email、電話、證號）——遮罩或隔離索引。
• 版權與資料處理須法務簽核；內部索引仍可能違約。
• 正式環境勿記錄完整抽取文字。儲存邊界見 Agent 記憶 vs 聊天紀錄。

檢查 5：分塊就緒與中繼資料

目標：解析輸出夠結構化，能有意義地分塊。

做法：

• 保留 page_number、source_file、section_title（若有）。
• 用 20 道樣題預覽固定視窗 vs 標題切分。
• 觀察 chunk 長度分佈——過多 < 100 token 碎片會稀釋語意。
• 若用長上下文重排，請估算 context caching 成本——乾淨解析可減少「整份塞進去」的權宜之計。

通過：中繼資料完整度 > 95%；top-3 chunk 涵蓋答案段落；無系統性頁尾污染。

解析器速查（2026）

維護黃金樣本集（10–20 份棘手 PDF：雙欄、表格、掃描、直排中文），每次換解析器都重跑同一套 Q&A 評估——比爭論哪個函式庫「最好」有用。

建議匯入管線

1. 入佇列時做檔案雜湊去重與分類中繼資料。
2. 檢查 1–2：自動判型 + 文字抽樣；掃描走 OCR 分支。
3. 檢查 3：版面解析、剝頁首頁尾、表格結構化。
4. 檢查 4：PII/加密過濾；失敗隔離。
5. 檢查 5：結構感知分塊 + 中繼資料；小批次 Q&A 閘門。
6. 通過後才嵌入索引；解析器版本化以便重跑。

RAG 匯入是活的資料產品，不是一次性 ETL。解析器漂移往往比模型升級更快。

給利害關係人的一個問題

請問：「使用者提問時，引用應精確到頁、章節還是表格列？」這決定檢查 3 與 5 要多嚴。

要把檢索接進 Agent，可續讀 單 Agent 到多 Agent 管線。