拿到一份PDF文件，人眼看一眼就能知道标题在哪、正文在哪、表格从哪开始，但程序要完成同样的事情却需要一整套复杂的技术流程。这就是文档理解领域要解决的核心问题：让机器像人一样读懂版面，并从里面提取出结构化的信息。整个过程通常拆成三个阶段，首先是版面分析，把页面切分成标题、正文、图片、表格等区域；然后是内容识别，对每个区域做OCR或者文本抽取；最后是信息提取，把识别结果组织成结构化数据。这三个环节环环相扣，任何一个环节出问题，最终提取的数据质量都会大打折扣。
先搞懂PDF的结构：为什么版面分析这么难
很多人以为PDF里存的就是文字，直接读出来就行，这是个常见误区。实际上PDF是一种面向渲染的格式，它的内部由一系列绘图指令组成，每段文字都带有精确的坐标位置。这种设计保证了打印效果一致，却给信息提取带来了麻烦：文字的排列顺序取决于坐标，而不是逻辑顺序。一份双栏论文，如果按PDF内部的存储顺序直接读取，左右两栏的内容会交错混在一起，完全没法阅读。
PDF文件里的文本对象只记录了字体、位置和内容，并不包含语义标签。程序看到一个字符串，不知道它是标题、页眉还是正文段落，更不知道哪些文字属于同一个表格单元格。这就是版面分析存在的意义：通过几何位置、字号、字体、行间距等线索，把页面上的元素划分成语义区域，并还原出符合人类阅读习惯的顺序。
还有一类PDF是扫描件，也就是整页都是图片，内部完全没有文本对象。这种情况只能先做OCR识别出文字，再做版面分析，难度更高。处理流程通常是文档图像矫正、文字检测、文字识别、版面还原，每一步都可能引入误差。所以在工程实践中，判断PDF是原生文本型还是扫描型，往往是第一步要做的事，两种类型的处理管线完全不同。
版面分析的主流方法：从规则到深度学习
早期的方法主要依赖规则和统计特征。比如通过字号聚类判断标题，通过行间距判断段落边界，通过线条检测定位表格。这类方法实现简单、速度快，在版式固定的场景下效果不错，典型的例子是处理银行流水或者标准发票。但一旦文档版式发生变化，规则就需要重新编写，维护成本很高，泛化能力差。
深度学习方法把版面分析转化成了目标检测问题。把页面渲染成图像，用检测模型框出各个区域并分类，常见的类别包括文本、标题、图片、表格、公式等。用于这个任务的模型经历了几个阶段的演进，从Faster R-CNN到YOLO系列，再到专门针对文档场景优化的模型。目前开源社区里比较成熟的方案有PaddleOCR的版面分析模块、LayoutParser框架以及微软的DiT模型。下面是一段用PaddleOCR做版面分析的示例代码：
from paddleocr import PPStructure
# 初始化版面分析引擎
table_engine = PPStructure(layout=True, show_log=False)
# 对图片进行版面分析
result = table_engine(img_path)
# 输出每个区域的类型、坐标和置信度
for region in result:
print(region['type'], region['bbox'], region['res'])除了纯粹的视觉方法，还有一类思路是把文本和视觉信息结合起来。LayoutLM系列模型就是代表，它在Transformer的基础上加入了二维位置编码，让模型同时知道每个词是什么内容、出现在页面哪个位置。这种多模态的方式在表单理解、票据信息抽取等任务上表现突出，因为它利用了文字之间的相对位置关系，而这恰恰是文档语义的重要组成部分。选型时可以参考一个简单原则：版式变化多、以整页理解为主的场景用检测类模型；需要精确到字段级别的信息抽取，优先考虑LayoutLM这类多模态预训练模型。
信息提取实战：表格、阅读顺序与结构化输出
版面分析做完之后，提取信息还有几个绕不开的难点。第一个是表格识别。表格不仅要检测出整体区域，还要还原出行列结构，处理合并单元格、跨页表格等情况。主流做法是先用检测模型找到表格位置，再用专门的结构还原算法解析单元格边界，输出HTML或者Excel格式。对于规整的线框表准确率已经很高，但对无框表和嵌套表，识别效果仍然参差不齐，实际项目中往往需要人工校验环节兜底。
第二个难点是阅读顺序还原。多栏排版、图文混排的页面，必须把版面分析的多个区域按正确顺序串联起来，才能得到连贯的文本。常用的策略是根据区域的类型和坐标做排序，先按栏切分，再在栏内自上而下、从左到右排列。区域分类的准确性直接决定了顺序还原的质量，比如把一个侧边注识别成了正文，顺序就会错乱。
def restore_reading_order(regions):
# regions: [{"type": "title", "bbox": [x1, y1, x2, y2]}, ...]
# 先按纵向位置分组，模拟分栏场景
regions_sorted = sorted(regions, key=lambda r: (r['bbox'][1], r['bbox'][0]))
ordered_text = []
for r in regions_sorted:
ordered_text.append(r.get('text', ''))
return '\n'.join(ordered_text)最后一步是把识别结果组织成结构化数据。常见做法是根据版面类型定义输出模板，比如合同提取签约方、金额、日期字段，发票提取抬头、税号、价税合计。对于固定版式文档，基于坐标区域配置模板是最稳定的方案；对于版式不固定的文档，则要结合规则表达式、NER模型甚至大语言模型来完成字段匹配。工程上建议输出JSON格式并附带置信度分数和坐标来源，方便后续做人工复核和数据溯源。整个链路搭建完成后，别忘了准备一套评估集，用字段准确率、表格还原正确率等指标持续监控效果，文档理解系统没有一劳永逸的调优，只有不断迭代的优化。