Ragflow + 高精度文档解析：构建高性能 RAG 知识库的实战方案

原创于 2025-09-06 08:45:00 发布 · 458 阅读

CC 4.0 BY-SA版权

文章标签：

对于高专业性或企业级的知识问答应用，RAGFlow是各个开发团队的常用框架，它提供的工具链简化了从知识库搭建、向量检索到生成的RAG流水线开发。RAG这条务实的路径让LLM能实时查询私有知识库，显著提升回答相关性和可控性，避免直接调用LLM产生的知识更新慢、回答不准或数据安全风险。

构建健壮的RAG系统，尤其是企业级应用，涉及复杂组件集成与优化。如何在RAGFlow基础上实现性能优化，也成为大家关注的课题。

在这里插入图片描述

从RAG链路出发，首要关键因素即是文档解析的质量。解析输出的数据是AI应用的“基础燃料”，影响后续分块、检索和最终结果。而在应用RAGFlow框架时，其自研的DeepDoc解析算法表现经常不尽如人意。

如下图中，对于同一份文件的连续两页目录，DeepDoc将其中一页识别为正文，另一页识别为表格，这也导致了后续分块的错误。

图1

图2

在实际使用中发现的解析问题还包括：

对学术论文等分栏文档，内容顺序存在错乱（如从左栏跳至右栏）
深度嵌套表格或跨页合并单元格导致数据结构丢失
标题层级识别错乱
模糊、倾斜或阴影干扰的扫描件OCR错误率较高，书籍装订区附近的文字因弯曲变形无法识别

为了优化解析效果，避免文档中的关键信息在导入知识库时就发生损耗，我们采用了自定义解析工具的策略。

本文将说明文档解析工具的类型与适用性、TextIn的性能、在RAGFlow框架下使用自定义解析的方法、实战教程与完整代码。

了解文档解析工具

简单来说，文档解析工具的核心任务是将非结构化文档（如PDF、图片、扫描件）中的文本、表格、图片等内容识别并提取出来，转化为结构化数据以供机器处理和分析。从社区或商业化、使用方法上，可以区分几种类型：

是否开源

文档解析工具可分为开源和闭源两大类，它们在开放性、可控性、成本和功能深度上存在着差异。开源工具如PyMuPDF、MinerU、Marker等，商业化产品例如本文实战应用中使用的TextIn xParse。
开源产品的优势在于：1、最为显然的，用户不需要支付软件许可费用。2、高透明度，且可以根据自身需求自由修改、扩展源代码。3、活跃的开源社区可以贡献代码、修复漏洞、提供支持，加速工具的发展和问题解决。

另一方面，其劣势主要体现在：1、技术门槛高：需要具备相当的开发、运维和系统集成能力才能有效部署、配置、定制和维护，对非技术团队或资源有限的组织挑战较大。2、集成与维护负担：用户需自行解决依赖关系、环境配置、版本升级、性能调优、安全补丁等运维工作，耗费时间和人力。3、专业支持有限：主要依赖社区支持，响应速度和问题解决的专业性、保障性通常不如商业闭源产品的官方支持。4、特定场景功能不足：针对特定行业场景（例如复杂的财务表格、医疗报告结构化）的预训练模型或精细化处理能力，可能不如成熟的商业闭源产品。

商业化产品的劣势在于使用成本与低透明度（用户无法直接修改核心代码）。而优势则包括：1、开箱即用，易于集成：通常提供完善的前端界面、软件开发工具包（SDK）、清晰的文档和示例，集成相对简单快捷，使用技术门槛低。2、专业支持与服务：提供专业的技术支持、问题响应、培训服务，减轻用户运维负担。3、深度优化与特定功能：厂商投入大量资源进行核心算法研发、模型训练（尤其在特定领域如法律合同、医学文献、复杂表格识别）和性能优化，往往在精度、特定场景覆盖和功能深度上具备优势。4、持续更新与维护：专业厂商负责产品的迭代更新、功能增强、漏洞修复和性能优化，用户无需操心底层技术细节。

在这里插入图片描述

API调用 vs. 本地部署

在使用方法这个维度，主要有API调用和本地化部署两类，特点如下：

API调用方法便于：1、快速启动，零运维：无需购置、配置和管理服务器基础设施，注册账号、获取API密钥即可立即使用，大幅缩短上线时间。2、持续获取最新能力：用户自动获得供应商发布的最新模型、功能和性能优化，无需手动升级。3、降低初始投入：通常按需付费，避免了前期高昂的硬件和软件许可投资。

但同时，风险项在于：1、不符合部分企业的数据安全要求。2、解析速度和稳定性受网络状况影响。3、 API提供的是标准化的功能接口，功能定制相对受限。

本地部署模式能够保障：1、数据安全与合规性：文档数据完全保留在用户自己的基础设施（如私有云、数据中心）内部处理，最大程度降低数据风险，更容易满足严格的合规和监管要求。2、性能与延迟可控：处理过程在本地网络进行，不受公网质量影响，通常延迟更低。对于超大文件或批处理，本地资源更可控。

而其劣势体现在：1、高初始投入与运维负担：需采购、配置和维护服务器硬件、存储、网络以及软件环境（包括可能的GPU资源），需要专业的IT运维团队。2、部署复杂，上线周期长：安装、配置、测试和优化本地部署的解决方案需要较长时间和专业知识。3、更新滞后：用户需要主动关注并手动执行版本升级来获取新功能和修复，过程可能繁琐且存在兼容性风险。

总体来说，最佳选择往往取决于具体需求和资源情况。这一期RAGFlow实战演示中，我们对复杂文档的解析精度有较高要求，同时考虑调用便捷程度，选择了TextIn xParse，支持直接API调用。

TextIn xParse

聊一下为何选择TextIn。

TextIn xParse文档解析是一款大模型友好的解析工具，能够精准还原pdf、word、excel、ppt、图片等十余种格式的非结构化文件，将其快速转换为Markdown或JSON格式返回，同时包含精确的页面元素和坐标信息。支持识别文本、图像、表格、公式、手写体、表单字段、页眉页脚等各种元素，并支持印章、二维码、条形码等子类型，能满足绝大部分复杂文档的解析需求。

根据官方文档，核心能力包括：

多种版面元素高精度解析：精准识别标题、公式、图表、手写体、印章、页眉页脚、跨页段落，实现高精度坐标还原，并捕捉版面元素间的语义关系，提升大模型应用表现。
行业领先的表格识别能力：轻松解决合并单元格、跨页表格、无线表格、密集表格等识别难题。
阅读顺序还原准：理解、还原文档结构和元素排列，确保阅读顺序的准确性，支持多栏布局的论文、年报、业务报告等。
自研文档树引擎：基于语义提取段落embedding值，预测标题层级关系，通过构造文档树提高检索召回效果。
支持多种扫描内容：能良好处理各类图片与扫描文档，包括手机照片、截屏等内容。
支持多种语言：支持简体中文/繁体中文/英文/数字/西欧主流语言/东欧主流语言等共50+种语言。
集成强大的图像处理能力：文件带水印、图片有弯曲，都能一键解决，排除图像质量干扰。
开发者友好：提供清晰的API文档和灵活的集成方式，包括MCP Server、Coze、Dify插件，支持FastGPT、CherryStudio、Cursor等主流平台。

实际的解析效果可以通过一些样本实测初步判断。对于不同的文档集，文档解析工具的效果可能有所差异，大家在调用之前也可在官网上用免费额度测一下自己的样本：https://cc.co/16YSWs

在这里插入图片描述

密集少线表格识别效果很好，官网前端支持选中表格并在原图上显示模型预测的单元格（TextIn这套前端工具已经开源了，项目地址：https://github.com/intsig-textin/textin-ocr-frontend）。

跨页表格合并效果好，也能精准识别页眉页脚。

多栏学术论文的阅读顺序还原很准确。

对于没有精确数值标注的图表，会通过测量给出预估数值；这个功能对金融分析类工作会很有帮助。

TextIn解析内置有图像处理算法，能解决弯折、倾斜、阴影、模糊这些常见的图像质量问题。

RAGFlow+TextIn知识库构建方法

要在RAG流程中实现自定义解析，我们可以考虑两种方案，便捷程度和效果有所差异，下面具体讨论：

方法1：解析后上传知识库

较为简易的方案，直接调用自定义解析接口，解析完成后通过API导入RAGFlow知识库。

可以在导入后使用RAGFlow分块策略，也可自行完成Chunking后输入知识库。

这种方法最大的好处在于简便快捷，但由于RAGFlow的API导入有一定缺陷，会产生上传信息不完整（如缺少图片、位置信息）、分块顺序紊乱等问题，因而在知识库预览时也无法联动PDF源文件位置，快速进行对应查看和校对。

如下图3是解析后上传知识库的效果图，图4是在RAGFlow框架内完成解析后的效果，对比可以看到差异。

图3

图4

因此，该方案适合少量文件补充处理，如果要建立更完善的知识库搭建全流程，我们还需要另寻他法。

方法2：修改RAGFlow代码改变解析策略

通过代码修改，我们能从结构上改变解析策略，也能够解决方法1中的不适配问题，实现更彻底的流程搭建。下面，我们来看具体的实战教程，如何快速实现解析方法替换。

1分钟实战教程

1、启动服务（测试的镜像版本为 infiniflow/ragflow:v0.20.1 ）

docker compose -f docker-compose-gpu.yml up -d

2、textin.com获取 app-id和secret-code信息

3、替换镜像中的 /ragflow/rag/app/naive.py 文件（注意修改438行、439行的 x-ti-app-id 和 x-ti-secret-code）

完整代码文件地址：

https://dllf.textin.com/download/2025/CustomService/naive.py

docker cp naive.py ragflow-server:/ragflow/rag/app/naive.py

4、重启服务

docker compose restart

进阶方案详解

我们来详细解读方案逻辑。

首先，需要厘清Ragflow的解析分块过程。

流程源码路径清单总览

解析和分块代码分析

以native分块策略，调用DeepDOC解析PDF文件为例，对应的源码路径为ragflow/rag/app/naive.py。

首先调用PDF解析器：

classPdf(PdfParser):  def__init__(self):  def__call__(self, filename, binary=None, from_page=0,                   to_page=100000, zoomin=3, callback=None, separate_tables_figures=False):          start = timer()          first_start = start          callback(msg="OCR started")  # ocr识别        self.__images__(              filename ifnot binary else binary,              zoomin,              from_page,              to_page,              callback          )          callback(msg="OCR finished ({:.2f}s)".format(timer() - start))          start = timer()  # 布局分析 识别标题/段落等层级        self._layouts_rec(zoomin)          callback(0.63, "Layout analysis ({:.2f}s)".format(timer() - start))          start = timer()  # 使用 transformer 进行表格检测与识别        self._table_transformer_job(zoomin)          callback(0.65, "Table analysis ({:.2f}s)".format(timer() - start))          start = timer()          self._text_merge()          callback(0.67, "Text merged ({:.2f}s)".format(timer() - start))  # 是否分离表格和图形  if separate_tables_figures:              tbls, figures = self._extract_table_figure(True, zoomin, True, True, True)              self._concat_downward()              logging.info("layouts cost: {}s".format(timer() - first_start))  # 返回文本块+表格+图形  return [(b["text"], self._line_tag(b, zoomin)) for b in self.boxes], tbls, figures  else:              tbls = self._extract_table_figure(True, zoomin, True, True)  # self._naive_vertical_merge()              self._concat_downward()  # self._filter_forpages()              logging.info("layouts cost: {}s".format(timer() - first_start))  return [(b["text"], self._line_tag(b, zoomin)) for b in self.boxes], tbls

pdf解析器返回的数据结构：

后续将调用以下两个方法，分别处理段落和表格的分块：

res = tokenize_table(tables, doc, is_english)：处理表格分块
res.extend(tokenize_chunks_with_images(chunks, doc, is_english, images))：处理文本段落分块

分块逻辑位于ragflow/rag/nlp，整体策略如下：

优先结构分块

基于章节的层级关系（如标题编号、目录结构）划分文本。
提取结构化标题作为内容边界，实现更合理的语义组织。

结构不足时退化为语义分块

使用标点符（如。？！；）切分内容。
自动组合短句，控制每块文本token数量接近预设值，避免碎片或过长。

图文与表格信息补充

表格内容按行或批次合并为一个文本块。
每个块附带原始图像（PIL.Image）及位置信息（页码与坐标）。
文本块可拼接多个图像，支持图文联合处理，提升展示效果。

chunk分块返回的数据结构：

通过分析解析分块过程，只需要构造对应的数据结构和修改相应的代码，就可以替换解析和分块。

将DeepDoc解析替换为TextIn解析

1、跳过版面分析

修改文件/ragflow/rag/app/naive.py，修改PDF类的call方法提前返回，仅保留对images的调用。

classPdf(PdfParser):def__init__(self):super().__init__()def__call__(self, filename, binary=None, from_page=0,                 to_page=100000, zoomin=3, callback=None, separate_tables_figures=False):        start = timer()        first_start = start        callback(msg="OCR started")        self.__images__(            filename ifnot binary else binary,            zoomin,            from_page,            to_page,            callback        )        callback(msg="OCR finished ({:.2f}s)".format(timer() - start))        logging.info("OCR({}~{}): {:.2f}s".format(from_page, to_page, timer() - start))return [], [] # 提前结束返回

2、跳过OCR识别（该操作会影响块保存的截图，不影响定位到原文档，也可不跳过）

修改文件/ragflow/deepdoc/parser/pdf_parser.py，保留前面通过pypdf获取文本判断是否为英文文档的部分，只跳过OCR识别。

asyncdef__img_ocr(i, id, img, chars, limiter):return# 提前结束返回

3、将解析部分替换为TextIn调用

修改文件/ragflow/rag/app/naive.py，修改chunk函数if layout_recognizer == "DeepDOC":分支下的代码。

if layout_recognizer == "DeepDOC":    pdf_parser = Pdf()# 下面是替换的代码import jsonimport requests    sections, tables = pdf_parser(filename ifnot binary else binary, from_page=from_page, to_page=to_page, callback=callback)    headers = {'x-ti-app-id': '***','x-ti-secret-code': '***','Content-Type': 'application/octet-stream'    }# 这里不需要latex格式的公式，formula_level设为2    result = requests.post('https://api.textin.com/ai/service/v1/pdf_to_markdown',        data=binary,        headers=headers,        params = {'paratext_mode': 'none','formula_level': 2,'page_start': from_page + 1,'page_count': to_page - from_page        }    )    json_data = result.json()    detail = json_data.get('result', {}).get('detail', {})    sections=[]    tables=[]for item in detail:        page_id = item.get('page_id')        text = item.get('text')        text = re.sub(r'\*\*(.+?)\*\*', r'\1', text)    # 去除加粗格式，例如 **text** → text        text = re.sub(r'\*(.+?)\*', r'\1', text)        # 去除斜体格式，例如 *text* → text        text = re.sub(r'_(.+?)_', r'\1', text)          # 去除下划线斜体格式，例如 _text_ → text        text = re.sub(r'!\[.*?\]\((.*?)\)', '', text)   # 删除图片标记，例如 ![alt](url) → 空type = item.get('type')        sub_type = item.get('sub_type')        position = item.get('position')        x0, y0, x1, y1  = position[0]/2.0, position[1]/2.0, position[4]/2.0, position[5]/2.0# TextIn解析默认ppi 144, DeepDOC默认ppi 72iftype == 'paragraph':if sub_type notin ['text', 'text_title', 'table_title', 'sidebar']: # 按需保留需要的类型continue            sections.append((text, f'@@{page_id - from_page}\t{x0}\t{x1}\t{y0}\t{y1}##'))eliftype == 'table':            text = text.replace('<br>', '') # 按需处理文本，这里移除表格单元格内的换行符            text = text.replace('border="1"', '')            tables.append(((None, text), [(page_id-1, x0, x1, y0, y1)]))    callback(0.6, "TextIn parsing")# 上面是替换的代码    res = tokenize_table(tables, doc, is_english)    callback(0.8, "Finish parsing.")

解析效果对比

从知识库查看分块结果，可以明显看出解析效果提升，文本和表格识别准确率提高。

DeepDoc解析分段结果

TextIn解析分段结果

如图可以看到，DeepDoc将行间距较大的文本、小标题识别为表格，这也影响了后续的分段。TextIn能够准确识别标题、段落，使系统获得完整的结构信息，实现更合理分段。

DeepDoc解析分段结果

TextIn解析分段结果

如上图所示，DeepDoc解析未能准确识别表格，而表格是文档中数据密集的所在，往往含有关键信息，准确的表格识别对RAG问答性能有相当大的影响。TextIn解析后的分段实现了准确、完整的语义提取。

写在最后

RAG优化方案进一步探讨

RAG系统的优化是一项环环相扣的工程。优质的文档解析结果提供了系统运行的基础，接下来，切片也是影响RAG能力的重要因素。

切片策略目前业界也有很多思考，其实际应用受制于输入的结构化文件、上下文窗口长度等因素。我们在此提出一些可能性，与大家一起探讨：

保留文档结构：通过目录树（Root/Heading/Text/Table等节点）维护标题层级关系和语义上下文，实现标题层级递归切片，保留文档内在逻辑结构的完整性。
动态处理长内容：超长文本/表格按固定窗口切分，标题节点合并子内容。
优化检索效率：以最小内容单元（子段落）作为检索主体，提升匹配精度。