RAGFlow+TextIn：RAG实战教程！1分钟实现解析性能提升

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。

从RAG链路出发，首要关键因素即是文档解析的质量。在应用RAGFlow框架时，我们也需要首先关注解析能力，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，不尽如人意的解析输出将会大幅度影响RAG性能。

如下图中，对于同一份文件的连续两页目录，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、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。

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。

其核心能力包括：

• 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