PDF RAGFlow 拆分合并
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_0d959560/pdf-ragflow-split。
技能介绍
问题在哪
把长篇 PDF(尤其带跨页表、合并单元格的规范/定额类文档)丢进 RAGFlow 时,常见结果是:正文能召回,表格要么碎成多段、要么只在另一份文件里,问答对不上数字和表头。分文件上传 text.md 与 tables.md 时,正文里的「详见 tables.md#锚点」在 RAGFlow 里只是普通文本,不会把目标表格拉进同一 chunk。
技能怎么做
该技能按固定三步走:检测 → 拆分 → 合并。
- 检测:
build_merge_rules.py扫描跨页断表与合并单元格候选,生成交互式处理记录表,确认后输出merge_rules.json(未确认前不要拆分)。 - 拆分:
split_pdf.py依规则产出三件套——text.md(按页分段、表格处用引用标识)、tables.md(跨页表已合并、合并单元格按向下填充)、images/(xref 去重、方向校正)。 - 合并(方案 A):
merge_md.py把每张表第一次被引用的位置下方插入完整表格块,生成merged.md;引用行改写为「见下表」等,避免tables.md死链。上传 RAGFlow 时只传merged.md+images/。
脚本里还固化了一批 PDF 解析坑:例如用 page.get_images(full=True) 取 xref(勿用 get_image_info() 的 number)、跨页续表列对齐、空表头列自动推断命名等,减少 Markdown 进 RAGFlow 后的列错位。
适用与边界
- 面向 RAGFlow + Markdown 知识库 链路,不是通用 PDF 转 Word 或任意向量库格式。
- 跨页表、合并单元格需要先走交互确认(或用
--include批定),复杂版式仍建议对照 PDF 与tables.md人工抽检。 - 依赖 Python venv 与
pymupdf、pdfplumber、Pillow;拆分前需 PDF 绝对路径与可写输出目录。
使用场景
- 把建筑/工程类上百页 PDF 规范入库 RAGFlow,要求问答时能同时引用正文条款与同页表格参数
- 定额或清单 PDF 含跨 2 页以上的续表,需要先确认合并规则再生成可检索的 Markdown
- 含合并单元格、向下填充的造价表,要拆成 tables.md 且列名不错位后再合并进单文件上传
- 拆分后需用处理记录表核对哪些跨页表已合并、哪些未合并,再对比 tables.md 与原件
适合人员
- 维护企业 RAGFlow 知识库、要把扫描版/原生 PDF 规范转成可问答 Markdown 的运维或数据工程师
- 做 BIM/造价文档助手的实施顾问,需要正文与表格在同 chunk 被召回、避免「只答文字不见表」
- 手写 PDF 解析脚本已踩过 xref/跨页列错位坑,希望按技能内三步流与校验清单交付 merged.md 的开发者
- 按 references/ragflow-config.md 配置分块与上传路径、只上传 merged.md 与 images 的知识库管理员