---

点此进入系列专栏

---

有段时间没更新博客了。正好趁这个系列的第 0 章，干脆重新介绍下自己，也顺便讲讲这组文章是怎么来的。

这篇没什么知识密度，算是背景交代，随便看看就好，当个睡前读物。

如果你会点进这篇文章，大概率已经被 PDF 折磨过。那种“肉眼看着挺正常，程序一读就开始发疯”的感觉，我非常熟。

表格散成几段话，顺序莫名其妙，数字对不上位置。你一开始还会怀疑是不是自己代码写得不对，后来换了几个库、调了几轮参数，才慢慢意识到一件事：好像不是我一个人遇到这个问题。

---

我最早其实不是搞 PDF 的，甚至一开始也不是做互联网后端的。

读研的时候在一个偏硬件的实验室，导师是搞硬件的，实验室里有人做算法、有人画电路板、有人搞机械，写代码的只有我一个。非科班，全靠兴趣硬啃。

那会儿技术栈非常“原始”，纯 C，天天拿着飞思卡尔的板子烧程序。研究寄存器的 0 和 1 怎么配，内存是怎么翻页的，嵌入式操作系统切线程的时候是怎么在栈上保存和恢复现场的，甚至琢磨怎么用 C 去模拟面向对象。

现在回头看，那段时间留下的最大影响，不是某个具体技术点，而是一个习惯：我不太接受“黑箱”，总想知道它到底在干嘛。

那几年我也写了不少嵌入式相关的博客，翻译过一堆技术文档。那时候还没有 GPT 这种工具，全是人肉翻译。印象很深的是在学生宿舍，一边循环播放斗鱼上的《地下交通站》，一边对着英文文档一句一句啃。

---

毕业之后转去做互联网后端，算是一次比较大的转向。

校招那年，非科班拿了几家 offer，最后选了字节，从此开始用 Golang 写后端。顺带一提，从 C 转 Go 真的很爽，可以理解成“自带 GC 和协程的 C”，写起来非常顺。

在字节做的是一个海外 toC 的 IM 应用，主要负责账号模块和 IM 的主消息链路。业务本身相对稳定，需求不算多，反而给了我不少“自己折腾”的空间。

压测、性能分析、瓶颈定位、链路埋点、多级缓存、冷热分离……围绕高并发、高可用、可观测性那一套，基本能试的都试了一遍。那几年算是技术成长非常快的一段时间。

后来业务增长乏力，DAU 一直起不来，职业前景无望，我在字节待了三年后，开始找下一份工作。部门最终在我离开一年后也没能继续活下去。

---

真正把我拽进 PDF 解析这件事，是在后面这家公司。

2023 年底，我加入了一家百来人的 AI 小公司，开始做工程后端，技术栈也慢慢变成 Golang + Python。小公司的基建和大厂完全是两个世界，这点只有自己待过才有感觉。

在大厂，很多事情是“提个工单就行”；在这里，更多时候是你自己 ssh 上机器，kubectl apply 一堆 yaml，自己选型、自己封装、自己维护。说实话，这段经历反而让我第一次真正理解了：大厂那些看起来理所当然的基建，底下到底包了多少东西。

也是在这个阶段，我开始系统性地接触 RAG，也就是现在很常见的文档知识库构建流程：文档解析、切块、embedding、进向量库，然后给大模型做问答。

而在所有文档类型里，最难、也最常见的，恰恰就是 PDF。

---

一开始是金融业务线的需求，需要解析 A 股财报 PDF。不只是把文字读出来，还要求对表格里的数据做到文本行级溯源，某个数值来自哪一行哪一列，要能在原文中高亮出来。A股财报都是下图这种方方正正的表格和文字，算是比较简单的类型了。

当时公司里已经有一版 PDF 解析代码，但效果不太行。页眉页脚靠文本匹配，表格识别正确率也不高，维护这块代码的同事又准备离职。另一位同事在调研各种开源方案，试了几轮都不太理想。如果这块搞不定，单子大概率就做不了了。

我参与了一点调研之后发现，这事不是“完全不可能”，而是之前的思路有点问题。于是就把这活接了下来，先通过组合几种不同的开源算法和库，在特定类型的文档上把正确率拉上去，把业务先救下来。

然后就一发不可收拾。

---

最早的版本，只能处理比较规整的文字版 PDF，多栏直接炸，扫描件基本没戏。后来一点点往前推，拆页面、分策略，扫描件和文字版一套方案搞定，再到后面做成异构计算架构，GPU 算子独立部署，高度配置化，一个中心服务覆盖不同业务需求。

到现在，这套 PDF 解析服务已经能覆盖大部分常见场景，在内部评测中，文本型 PDF 的解析正确率比同类开源方案高了几个点，性能也还不错。公司对外卖产品的时候，基本都会默认把这块能力一起打包出去。

我自己也算是因为这件事，在公司里站稳了脚跟，拿过创业者奖，绩效也极好。

---

写这一系列文章，其实没什么宏大的目标。

只是这两年踩下来，越来越觉得：PDF 解析真正难的地方，往往不在代码，而在前面的判断。
该走哪条路线？
什么时候该换方法，而不是继续死磕？

这些东西，文档里很少写，博客里也不太有人慢慢讲。

因为公司层面没有开源实现，我也不会细讲内部代码，更多会结合开源方案和真实工程经验，把思路、边界和取舍说清楚。希望能让后来的人，少走一点弯路。

下一篇，我们就从一个最基础、也最容易被忽略的问题开始聊：

PDF，为什么这么难解析？

如果你也正在被 PDF 折磨，希望这个系列能对你有点用。