「解析、切分、检索」：从 PDF 到向量检索的代码拆解

在之前的金融研报 RAG 应用：「离线解析」和「在线问答」双链路详解文章中，是从 RAG 系统的上帝视角，梳理了数据从入库到检索的流动逻辑。但当真的有一堆文档需要作为知识库给模型的时候，好像还是无从下手。

这篇文章是接着之前的金融研报项目，深入代码层面，梳理了从保险 PDF 文档到向量检索的代码逻辑。一共会分为四个部分，先从数据的角度梳理整个流程，再分别展开解析、切分、检索这三个模块。

（后面三章涉及到的代码会比较多，如果不太看得懂代码的话，可以看一看代码注释理解一下逻辑。）

从「静态文档」到「向量索引」

一个 PDF 文档「入库」的过程可以拆解为以下四个状态流转：

PARSED（已解析）→ CHUNKED（已切分）→ EMBEDDED（已向量化）→ INDEXED（已索引）

1、解析阶段：不仅仅是提取文字

如果只是简单地提取文本（text = pdf.read()），就会丢失掉最重要的结构信息。标题、正文、页眉、页脚、表格如果全部混成一团字符串，后面的切分就会一团糟。

因此在工业级 RAG 中，解析阶段的输出不是一段文本，而是一个结构化的文档对象树：

• 层级结构：谁是父章节，谁是子章节
• 样式信息：字号、加粗、缩进（这些是判断标题级别的重要依据）
• 版面信息：表格的行列关系、图片的上下文位置

在这个阶段，文档仅仅只是被「看懂」了。

2、切分阶段：元数据的诞生之地

拿着上一步得到的结构化对象就可以开始切分了。这个阶段的核心任务有两个：

确定边界：利用解析阶段得到的章节、段落信息，尽量让切分点落在自然的语义边界上（比如句号、段落结束符），而不是生硬地切断一句话。

生成元数据（Metadata）：不是切完就扔进数据库，而是在切分的同时，给每个 Chunk 办一张身份证：

• chunk_id：它的唯一标识
• section_path：它属于《保险条款》>第二章>责任免除
• page_num：它在第 15 页
• prev/next_id：它的前文是 Chunk A，后文是 Chunk B

此时得到的是一批「携带丰富身份信息的文本块」。

3、向量化阶段：文本转数学

在这个阶段，系统会遍历上一步生成的所有 Chunk，提取其中的 content 字段，调用 Embedding 模型（如 bge-large-zh），将其转化为一个高维向量。

这里只对文本做向量化，元数据通常不需要向量化，而是直接存储用于过滤。

4、存储与索引：双库联动

存完了是不是就能检索了呢？还不可以。为了兼顾「搜得准」和「看得懂」，通常会把数据存两份（逻辑上是这样，具体按情况而定）：

• 向量索引：存放 chunk_id + vector，用来算余弦相似度，快速找到 Top-K 的 chunk_id
• 文档存储：存放 chunk_id + text + metadata，用来存原始内容。当向量索引找到 ID 后，去这里把人能看懂的字和元数据也捞出来

再回顾一下这条链路：

1. PDF → 解析成结构化对象
2. 结构化对象 → 切分成带元数据的 Chunk
3. Chunk → 向量化成 Vector
4. Vector → 建索引，发布上线
5. 在线检索 → Query 变向量，去索引里找 Chunk，最后由 LLM 生成答案

搞清楚了整体的流程，接下来深入到每一个环节的代码实现，就会发现：所有复杂的代码，无非是在为这张流程图里的某一个箭头做优化。

解析模块

解析的质量直接决定了 RAG 的上限。

虽然可以直接使用通用的 PyPDF2，但结果可能会不尽人意；也可以使用 Deepdoc（LayoutLMv3 + PaddleOCR），但面对复杂场景仍需定制化改造。

1、攻克表格解析

保险文档中最难处理的是表格。文档中存在三类表格，单一的解决方案无法通吃。这个项目中设计了一套分流策略：

• 有边框表格：Deepdoc 原生处理（准确率 95%）
• 无边框 / 半结构化表格：这是重灾区，Deepdoc 识别率仅 62%

针对无边框表格，引入 MinerU 2.5。但因为它推理慢，不能全部都用这个方法，需要在解析前置加一个分类器，只对「对齐」但「无框」的区域调用 MinerU。

2、扫描件的去噪与去水印

金融存量文档中有 30% 是扫描件，且常常会带有「仅供内部使用」的红色印章或水印。这些干扰会导致 OCR 将文字识别为乱码。

这个项目的做法是摒弃传统的全局高斯滤波（会模糊文字），采用动态预处理 Pipeline。

这一步的优化让 OCR 在扫描件上的准确率直接提升了 21 个百分点。

切分模块

在之前的那篇文章中提到了 naive_merge（基于 Token 数的简单装箱）。但这种方法在保险条款面前则会失效。比如：

条款原文：「本保险承保……但以下情况除外：(1) xx……(2) yyy……」

固定切分的问题：切分点恰好落在「但以下情况除外」之前。

• Chunk A：「本保险承保……」
• Chunk B：「(1) xx……(2) yyy……」

后果：用户问「xx 保不保？」系统检索到 Chunk B，但缺少了前文的「除外」限定，导致 LLM 回答「保」。

为了解决这个问题，需要全面重构切分策略，从「固定长度切分」进化到「语义感知切分 + 智能 Overlap」。

1、基于文档树的递归切分

保留文档的章节感。切分逻辑不再是线性的，而是树状的：优先按章节切 → 章节过长按小节切 → 还长按段落切。

2、智能 Overlap

传统的 Overlap（如固定 100 tokens）可能会把句子拦腰截断。因此可以设计基于句子边界的 Overlap：它会回溯前一个 Chunk，找到最近的句号、问号或感叹号，确保 Overlap 的部分是一句完整的话。

此外，如果 Chunk 里只存了文本和向量，却缺少元数据，那么这个 chunk 就失去了灵魂。比如无法实现以下功能：

答案溯源

• 用户问：「核辐射在保障范围内吗？」
• 系统回答：「根据第 3 条 保险责任 > 3.2 责任免除 > (2)，核辐射不在保障范围。」

检索加权

• 关键条款（责任、免责、费率）的权重 ×1.5
• 识别方法：关键词匹配 + 章节标题判断

上下文扩展

• 如果检索到的 chunk 语义不完整，自动拉取前后 chunk
• 例如：检索到「但以下除外：」，自动拉取前一个 chunk 的「承保范围」

所以不能仅仅是存储文本，需要将 Chunk 定义为一个富信息的对象。可以扩展为四个维度：基础信息、结构信息、类型信息和位置信息。

检索模块

到了检索阶段，发现单一的向量检索在金融领域有致命弱点：对低频专业词汇不敏感。比如：

用户问：「犹豫期退保扣费吗？」

向量模型可能会召回「退保流程」相关的文档，因为它觉得语义很近，但却漏掉了包含「犹豫期」这个精确关键词的条款。

因此需要构建混合检索架构，并引入动态权重。

1、架构升级：向量 + BM25

• 向量检索：使用 bge-large-zh-v1.5，处理语义查询（如「孩子摔伤怎么赔」）
• 关键词检索：使用 BM25，处理精确查询

2、核心算法：基于意图识别的动态权重

这是检索系统的核心部分。不能对所有的用户问题都使用固定的 0.5 * Vector + 0.5 * BM25，需要先判断用户的意图：是查定义（精确）还是问咨询（语义）呢？

3、结果融合：RRF（倒数排名融合）

如果使用加权求和，需要对分数做归一化（Vector 是 0-1，BM25 可能是 0-50），这样很难调平。但如果使用 RRF，它不看分数，只看排名，会更加鲁棒。

4、Cross-Encoder 精排

为什么还要进行一次精排呢？经过混合检索召回的 Top-10 文档，虽然相关，但排序可能不准。

因此额外引入 bge-reranker-large 模型进行精排。但精排速度慢，一般只精排 Top-10，而不是 Top-50：

• 向量检索（Bi-Encoder）是「用户 query」和「知识库文档」独立编码
• Cross-Encoder 是将 query 和文档拼接在一起输入 BERT，能捕捉更细微的交互语义

至此，检索链路的使命完成。最后经过 Deepdoc 的解析、语义化的切分、混合检索的召回，以及最后 Cross-Encoder 的「去粗取精」，最终从成千上万的文档碎片中筛选出了含金量最高的 Top-10。

所有以上的代码优化，就是为了获取这几段优质文本。本质上都是在为目标业务场景买单。在这个金融领域，是对「犹豫期」「免责条款」的精准召回；在其他场景下，也许就是对速度的极致追求。

代码只是工具，业务场景才是归宿。