简介
做 RAG 的人都有一个共同体会:模型不难换,难的是喂进去的东西长得像样。一份 60 页的双栏 PDF,直接转文本往往变成一锅乱粥,页码、页眉、脚注混进正文,表格碎成一列列孤立的数字。LlamaParse 就是专门修这个环节的——它把文档当作「版面」来理解,而不是当作字符流来处理。
核心功能
- 版面感知解析:识别分栏、标题层级、页眉页脚,按阅读顺序重排
- 表格还原:复杂合并单元格输出为 Markdown 表或 HTML 表,保留结构
- 扫描件 OCR:图片型 PDF 也能抽出文字
- 图表理解:对图、流程图生成文字描述,避免信息黑洞
- 直连生态:与 LlamaIndex 的解析节点打通,拿到结果直接切块入索引
适合谁
- 做合同、财报、论文问答的团队
- 需要把大量历史扫描件转成可检索知识库的企业
- 自建文档 Agent,苦于 PDF 解析质量的人
上手建议
先挑 20 份最典型的文档做对照测试:同一批文件分别用免费开源方案和 LlamaParse 解析,比较最终回答的召回率。解析器值不值得付费,只看这一步。
同类对比
- Unstructured.io:更偏通用元素抽取,表格精度略逊
- Reducto:同样主打高精度解析,API 风格不同
- Docling / MinerU:可本地部署,适合数据不能出内网的场景