第 1 周 · D3🔒 锁定约 4 小时
文档进来这一关:PDF 与 HTML 解析、表格与扫描件、清洗规则和必须留下的元数据
检索质量的天花板是解析质量,这一天把 PDF、HTML、Markdown 三类来源的解析坑一次讲透,处理表格与扫描件,定下一套清洗规则,并把标题层级、页码、来源地址这些后面要用来做引用和过滤的元数据固定下来。
检索质量的天花板是解析质量,这一天把 PDF、HTML、Markdown 三类来源的解析坑一次讲透,处理表格与扫描件,定下一套清洗规则,并把标题层级、页码、来源地址这些后面要用来做引用和过滤的元数据固定下来。
面试题库
一份 PDF 解析出来的文字顺序是乱的,你会怎么排查和修复?The text extracted from a PDF comes out in the wrong order. How do you diagnose and fix it?
国内高频海外高频进阶#pdf-parsing#ingestion#data-quality🔒 解锁本章后查看答题要点。
文档解析阶段应该保留哪些元数据?少了其中某一项会在哪个环节出问题?Which metadata should a document parsing stage preserve, and which downstream feature breaks if you drop each one?
国内高频海外高频进阶#metadata#ingestion#access-control🔒 解锁本章后查看答题要点。
扫描件走光学字符识别之后错字率不低,这些噪声会怎样影响检索和生成?怎么缓解?OCR output from scanned documents carries a non-trivial error rate. How does that noise propagate into retrieval and generation, and how do you mitigate it?
国内高频海外高频深入#ocr#data-quality#hybrid-search🔒 解锁本章后查看答题要点。
为什么说解析质量决定了检索质量的上限?举一个具体的传导链条。Why is parsing quality the ceiling on retrieval quality? Walk through one concrete chain of propagation.
国内高频海外高频基础#ingestion#data-quality#failure-analysis🔒 解锁本章后查看答题要点。
