寫在前面

在構建檢索增強生成 (Retrieval-Augmented Generation, RAG) 應用時，高質量的數據源是成功的基石。PDF 作為一種廣泛使用的文檔格式，承載著海量的知識。然而，許多 PDF 文檔，特別是學術論文、期刊、雜志和一些報告，都采用了多欄布局 (multi-column layout)。

直接按從左到右、從上到下的順序提取這類 PDF 的文本，會導致閱讀順序混亂，嚴重破壞文本的連貫性和語義完整性。想象一下，一句話的開頭在第一欄的末尾，而結尾卻跳到了第二欄的開頭，這樣的“碎片化”文本對于后續的 RAG 流程（如文本分塊、嵌入、檢索和 LLM 理解）來說，無疑是一場災難。

因此，準確地識別多欄布局并按照正確的閱讀順序提取文本，是 RAG 應用中處理 PDF 文檔不可或缺的關鍵步驟。

本博客將深入探討多欄 PDF 解析的挑戰、核心策略、技術方案、實現細節，并提供代碼示例，助你構建能夠正確“閱讀”和理解復雜 PDF 文檔的 RAG 系統。

1. 多欄 PDF 的“閱讀障礙”：為何順序如此重要？

讓我們先直觀感受一下問題所在。假設一個兩欄 PDF 的頁面片段如下：