PDF RAG 分块与引用包生成器

将 PDF 转成带页码、bbox 与标题路径的 RAG 分块 JSON，便于向量库入库和引用回链

上传 PDF 后，工具会调用 OpenDataLoader 输出 JSON，再把段落、列表、标题和表格整理成适合检索增强生成的 chunk。每个 chunk 都会附带页码、bounding box 和标题路径，方便向量检索、答案引用和 PDF 定位。

示例结果

1 个示例

为财务报告准备 RAG 引用包

真实测试生成了 2 个 chunk 和 57 个语义节点，适合向量库入库与回答引用。

pdf-rag-chunker-citation-pack-example1.json 查看文件
查看输入参数
{ "pdfFile": "/public/samples/pdf/financial-report-example1.pdf", "chunkMode": "heading-aware", "maxChars": 900, "useStructTree": true, "sanitizeSensitiveData": false, "includeTableNodes": true }

Click to upload file or drag and drop file here

Maximum file size: 10MB Supported formats: application/pdf

关键信息

分类
AI 与生成器
输入类型
file, select, number, checkbox
输出类型
file
样本覆盖
4
支持 API
Yes

概览

PDF RAG 分块与引用包生成器是一款专为检索增强生成（RAG）设计的预处理工具。它能够将复杂的 PDF 文档解析为结构化的 JSON 分块，并自动提取页码、坐标（Bounding Box）及标题路径等关键元数据，确保 AI 系统在生成回答时能够实现精准的来源追溯与引用回链。

适用场景

  • •构建需要提供精确引用来源（如页码和原文位置）的 AI 问答系统时。
  • •处理包含复杂层级标题、列表或表格的 PDF 文档，且需要保留语义上下文时。
  • •准备将大规模 PDF 文档库导入向量数据库（如 Pinecone、Milvus）进行索引时。

工作原理

  • •上传 PDF 文件并配置分块参数，如选择“按标题聚合”模式以保持章节内容的语义完整性。
  • •系统利用结构树解析技术提取文档中的段落、表格和列表，并记录每个元素在 PDF 中的物理坐标。
  • •根据设定的最大字符数限制，将提取的语义节点合并为带有元数据的 JSON 分块包。
  • •输出包含标题路径、页码和 Bounding Box 的 JSON 文件，直接对接向量化流水线。

使用场景

企业知识库构建：将内部规章制度 PDF 转为带引用的 RAG 数据源，实现精准问答。
法律合规审查：自动化处理法律条文，并在 AI 审查结果中直接链接到合同的具体条款位置。
学术文献检索：批量处理论文 PDF，生成带有章节路径和页码的索引，提升学术搜索的准确性。

用户案例

1. 财务报告 RAG 预处理

AI 工程师
背景原因
工程师需要将一份 100 页的年度财务报告导入 RAG 系统，要求 AI 在回答利润数据时必须指明出自哪一页。
解决问题
传统的文本提取会丢失页码和表格关联，导致 AI 无法提供准确的引用回链。
如何使用
上传财务报告 PDF，选择“按标题聚合”模式，并勾选“包含表格节点”和“使用结构树”。
示例配置
{"chunkMode": "heading-aware", "maxChars": 900, "useStructTree": true, "includeTableNodes": true}
效果
生成的 JSON 包含带页码和 bbox 的分块，AI 检索后可直接在 UI 界面跳转并高亮 PDF 对应位置。

2. 技术手册语义分块

知识库管理员
背景原因
管理员正在处理一份包含大量嵌套标题和操作步骤的技术手册。
解决问题
简单的固定长度切分会导致操作步骤与其所属的设备型号标题断开，影响检索效果。
如何使用
上传手册 PDF，设置分块模式为“按标题聚合”，确保每个分块都携带完整的标题路径元数据。
示例配置
{"chunkMode": "heading-aware", "maxChars": 800, "useStructTree": true}
效果
每个分块都附带了如“安装指南 > 电机组装 > 步骤1”的路径信息，显著提升了 AI 理解上下文的能力。

用 Samples 测试

pdf, file
PDF示例
2026-02-01 到 2026-02-10 工具生成的PDF示例
title token pdf
pdf
Markdown 幻灯片示例
用于测试 PDF 导出的 Remark/Marp 风格 Markdown 幻灯片
preferred input family pdf
pdf
时区协作排期器 ICS 样本
与 Time Zone Workflow Scheduler 返回结构一致的 ICS 文件样本，包含多个候选会议 VEVENT
matched family file
file
PCAP 抓包样例
从简单到复杂的可下载 PCAP 抓包文件，适合协议查看、解析器测试和数据包分析演示
matched family file
file

相关专题

PdfConvert工具专题
探索 31 个围绕 pdf 的 convert 工作流工具，快速找到相近能力。
Pdf 工具专题
探索 12 个围绕 pdf 的 utility 工作流工具，快速找到相近能力。
PdfGenerate工具专题
探索 10 个围绕 pdf 的 generate 工作流工具，快速找到相近能力。
JsonConvert工具专题
探索 100 个围绕 json 的 convert 工作流工具，快速找到相近能力。

常见问题

“按标题聚合”和“逐元素分块”有什么区别？

按标题聚合会根据文档目录结构将内容归类，适合保持上下文；逐元素分块则将每个段落或表格视为独立块，适合精细化检索。

导出的 JSON 文件可以直接用于向量数据库吗？

可以，生成的 JSON 结构包含了文本内容及其对应的元数据，非常适合直接映射到向量数据库的 Metadata 字段。

工具如何处理 PDF 中的表格？

开启“包含表格节点”后，工具会将表格识别为独立单元，并保留其在文档中的位置信息，方便 AI 针对表格数据进行回答。

Bounding Box 信息有什么用途？

Bounding Box 记录了文本在页面上的具体坐标，前端界面可以利用这些数据在 PDF 预览器中高亮显示 AI 引用的原文区域。

最大字符数设置多少比较合适？

通常建议设置在 500 到 1000 字符之间，这能平衡语义完整性与向量检索的精度，具体取决于您的 Embedding 模型限制。

API 文档

请求端点

POST /zh/api/tools/pdf-rag-chunker-citation-pack

请求参数

参数名 类型 必填 描述
pdfFile file (需要先上传) 是 -
chunkMode select 否 -
maxChars number 否 -
useStructTree checkbox 否 -
sanitizeSensitiveData checkbox 否 -
includeTableNodes checkbox 否 -

文件类型参数需要先通过 POST /upload/pdf-rag-chunker-citation-pack 上传获取 filePath，然后将 filePath 传递给对应的文件字段。

响应格式

{
  "filePath": "/public/processing/randomid.ext",
  "fileName": "output.ext",
  "contentType": "application/octet-stream",
  "size": 1024,
  "metadata": {
    "key": "value"
  },
  "error": "Error message (optional)",
  "message": "Notification message (optional)"
}
文件: 文件

AI MCP 文档

将此工具添加到您的 MCP 服务器配置中： 

{
  "mcpServers": {
    "elysiatools-pdf-rag-chunker-citation-pack": {
      "name": "pdf-rag-chunker-citation-pack",
      "description": "将 PDF 转成带页码、bbox 与标题路径的 RAG 分块 JSON，便于向量库入库和引用回链",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=pdf-rag-chunker-citation-pack",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

你可以串联多个工具，比如：`https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`，最多20个。

支持 URL 文件链接或 Base64 编码作为文件参数。

如果遇见问题，请联系我们：[email protected]