引言
RagflowPlus v0.3.0 版本中，增加了對excel文件的解析支持，但收到反饋，說效果并不佳。
以下測試文件內容來自群友反饋提供，數據已脫敏處理。
經系統解析后，分塊效果如下：
可以看到，由于該文件包含很多列信息，導致表格被截斷，同一行信息完全錯位，分散到了不同的chunk中。
表格解析新思路
其實問題就出在對表格文件的處理上，直接套用MinerU的文件處理管線，會先通過LibreOffice將文件轉成pdf的形式，再進行表格區域識別。
其實，excel本身就是格式化的表格，這樣的處理方式，就像是拿尼康八百定去拍人物寫真，上重裝備，還拍不好。
既然excel已經是格式化的文件，只需要用pandas去逐行讀取就行了。
考慮一般表格都會有表頭，每一行內容需要和表頭關聯，因此，每個chunk根據表頭+當前行的形式劃分即可，示例代碼如下：
import pandas as pddef parse_excel(file_path):# 讀取Excel文件df = pd.read_excel(file_path)# 獲取表頭headers = df.columns.tolist()blocks = []for _, row in df.iterrows():# 構建HTML表格html_table = "<html><body><table><tr>{}</tr><tr>{}</tr></table></body></html>".format("".join(f"<td>{col}</td>" for col in headers), "".join(f"<td>{row[col]}</td>" for col in headers))block = {"type": "table", "img_path": "", "table_caption": [], "table_footnote": [], "table_body": f"{html_table}", "page_idx": 0}blocks.append(block)return blocksif __name__ == "__main__":file_path = "test_excel.xls"parse_excel_result = parse_excel(file_path)print(parse_excel_result)
將這個解析邏輯融合進解析模塊，再次解析，效果如下：
關鍵詞編輯技巧
雖然已經把表格格式處理好了，但進行檢索測試，發現效果不好，關鍵詞相似度為0。
上篇文章，已經詳細分析過關鍵詞相似度的計算方式。由于表格實際上是html格式的數據，這會間接導致原始關鍵詞的提取存在問題。
實際上，ragflow原本就提供了一種為chunk塊編輯關鍵詞的方式。
雙擊chunk，可以對關鍵詞進行自定義設置。
比如，我設定該chunk的關鍵詞為某學員姓名，再次檢索此關鍵詞，關鍵詞相似度就變成了100。
用對話模型進行測試，模型能正確檢索回答。
公式解析適配
之前有群友問過：為什么解析文件時，會過濾公式的chunk。
我當時給出的回答是這樣：公式都是由數學符號組成，本身和問題不會具備相似性。比如，正常問題通常會問xx公式，但不會把公式原本的形式當成問題去問。這就會導致將公式變成解析塊會毫無意義，因為壓根不會被檢索出來。
但是利用關鍵詞編輯，就可以讓公式chunk具備實際意義，因此將公式chunk添加進解析結果。
以下是一個包含公式的文件解析結果：
以2-3公式(假設作為一個公式的具體名字)為測試文本進行檢索，是得不到任何結果的。
利用關鍵詞編輯，為其添加關鍵詞：
再次檢索，就可以順利檢索出來。
用問答模塊測試，也可以正常顯示。
總結
本文對表格和公式兩類元素進行調優測試，不難發現，對于rag系統來說，檢索是至關重要的環節。
想要效果好，就需要對每一個塊進行精調。
因此，在進行對話測試前，檢索測試是必要環節：如果檢索不出來，那就要排查chunk塊的類型和關鍵詞設定；如果能檢索到，模型回答不出來，那就是模型本身的性能問題。
