资料内容：
一、为什么需要进行pdf解析？
最近在探索ChatPDF和ChatDoc等方案的思路，也就是用LLM实现文档助手。在此记录一些难题和解决方案，首
先讲解主要思想，其次以问题+回答的形式展开。
二、为什么需要 对 pdf 进行解析？
当 利用 LLMs 实现用户与文档对话时，首要工作 就是 对 文档中内容 进行 解析 。
由于pdf是最通用，也是最复杂的文档形式，所以 对 pdf 进行解析 变成 利用LLM实现用户与文档对话 的 重中之
重 工作。
如何精确地回答用户关于文档的问题，不重也不漏？笔者认为非常重要的一点是文档内容解析。如果内容都不能
很好地组织起来，LLM只能瞎编。
三、pdf解析 有哪些方法，对应的区别是什么？
pdf的解析大体上有两条路，一条是基于规则，一条是基于AI。
四、pdf解析 存在哪些问题？
pdf转text这块存在一定的偏差，尤其是paper中包含了大量的figure和table，以及一些特殊的字符，直接调用
langchain官方给的pdf解析工具，有一些信息甚至是错误的。
这里，一方面可以用arxiv的tex源码直接抽取内容，另一方面，可以尝试用各种ocr工具来提升表现。
五、如何 长文档（书籍）中关键信息？
对于 长文档（书籍），如何获取 其中关键信息，并构建索引：
• 方法一：基于规则：
• 介绍：根据文档的组织特点去“算”每部分的样式和内容
• 存在问题：不通用，因为pdf的类型、排版实在太多了，没办法穷举
• 方法二：基于AI：
• 介绍：该方法 为 目标检测 和 OCR文字识别 pipeline 方法
