將 PDF 轉成文本這件事，過去是“能做到”，現在是“輕松做到”。

最近我搭建了一個圖數據庫（Graph Data Store），用于 RAG 系統 —— 換句話說，我們做了一個 GraphRAG。

為什么用 GraphRAG？

相比常見的向量數據庫支持的 RAG，Graph RAG 有個巨大優勢 —— 推理能力更強。比如：

問題 A：「XYZ 公司去年 CFO 是誰？」這種問題，向量搜索就能搞定，因為年報里通常直接寫了。

但換成這樣：

問題 B：「XYZ 公司有哪兩位董事是同一所學校畢業的？」如果年報沒有直接提學校名，向量搜索就“廢了”。GraphRAG 就能玩得轉，因為它能推理出隱含關系。

但問題來了 —— 怎么構建這個圖？

我最近寫了一篇文章專門講這個問題。但如果我們再往前一步想：怎么從 PDF 里提取信息來構建知識圖譜？

這篇文章就來講這個過程。

如何把 PDF 轉成結構化富文本？

所有的工程步驟都從一件事開始：把 PDF 變成文本數據。

但問題是 —— 年報不是普通 PDF，它們包含大量圖表、表格、結構化數據。這些內容都非常關鍵。

大多數 Python 開發者用過 PDF 解析庫，比如：

???PyPDF2??? —— 超老牌，能用，但很簡陋。

????PyMuPDF4LLM??? —— 能直接把 PDF 轉成 Markdown 格式。

????Docling??? —— IBM Deep Search 出品，提取效果驚艷。

????Marker??? —— 另一個很新的工具，表現也不錯。

我們依次測了一下這幾個工具的效果。

? 各工具提取效果對比

?PyPDF2：純文本提取，沒有任何結構。段落、標題、表格、列表，全都混成一堆。

?PyMuPDF4LLM：能轉成 markdown，有結構信息，LangChain 等框架支持，但表格效果拉胯。

?Docling：表現最強！能保留標題層級、表格結構、甚至給圖片加占位符。

?Marker：也不錯，但整體信息保留度不如 Docling。

所以最后我們選了 Docling 作為主工具。

?? Docling 的問題：太慢了！

我們做了一個實驗，把年報里包含文字、表格、圖片的混合段落提取出來，放在不同頁數的 PDF 中，測試不同工具的處理速度。

結果如下：

?Docling：每頁大概 4 秒?Marker：每頁大概 8 秒?PyPDF2：飛快，但結構信息很少

如果你要處理幾十份報告（比如 50 份，每份 300 頁），那就意味著：

300頁×50份×4秒÷3600秒≈17小時

這還可以接受。但如果擴展到 S&P500 所有公司的 30 年年報 —— 就得處理上百萬頁。

靠單機做是不現實的，所以我們選擇了：

云服務 + 并行處理

我們用云服務搭了一個轉換服務，可以并行處理 PDF，提取結構化 Markdown，然后自動更新 GraphDB。

這個架構可以很好地擴展，未來接更多數據沒問題。

最終結論

所以，我們最后選擇：

?結構提取用 Docling?大規模處理時，用云服務并行跑?如果你對速度極度敏感，PyPDF2 還是最快的選擇

總結

PDF 轉 Markdown 的工具這些年進步巨大，但 表格提取仍然是個挑戰。

我們比較了四個開源工具，最后用 markdown 構建了圖譜，并在 GraphRAG 系統中實現了應用。

Docling 是效果最好的提取工具，但速度較慢 —— 所以我們搭了云服務來處理。

這就是我們在從 PDF 到智能圖譜路上的第一步！

本文轉載自???AI大模型觀察站???，作者：AI大模型觀察站