关键信息
- 分类
- 开发与 Web
- 输入类型
- file, checkbox, text
- 输出类型
- html
- 样本覆盖
- 4
- 支持 API
- Yes
概览
PDF 阅读顺序调试器是一款专为开发者设计的工具，通过对比 PDF 原始绘制顺序与 XY-Cut++ 布局感知算法的解析结果，帮助用户直观定位多栏、图文混排或复杂排版文档中的文本抽取错乱问题。
适用场景
- •处理多栏论文或报纸排版，发现文本提取顺序跨栏跳跃时。
- •财务报表或宣传册中存在大量图文混排，导致解析内容逻辑不连贯时。
- •需要评估是否在 OpenDataLoader 中启用 xycut 算法以优化 RAG 系统输入质量时。
工作原理
- •上传需要分析的 PDF 文件，并可选配置页码范围及是否包含页眉页脚。
- •系统分别以原始绘制顺序和 XY-Cut++ 算法运行解析引擎，提取文本流。
- •自动比对两种模式下的文本差异，识别因布局导致的顺序变更点。
- •生成交互式 HTML 报告，逐页展示对比结果并高亮显示解析顺序发生变化的区域。
使用场景
优化 RAG 知识库：确保多栏学术论文在向量化前按正确的逻辑顺序分块。
自动化报表解析：调试财报中表格与正文混排时的提取逻辑，防止数据错位。
电子书转换校验：在将复杂排版的 PDF 转换为 Markdown 前，验证阅读流的准确性。
用户案例
1. 双栏学术论文解析校验
AI 工程师- 背景原因
- 正在构建一个基于学术论文的问答系统，但发现 LLM 经常将左栏末尾和右栏开头的句子混在一起。
- 解决问题
- 无法确定是 OCR 错误还是阅读顺序解析错误。
- 如何使用
- 上传论文 PDF，设置页码范围为正文页，运行调试器查看 HTML 报告。
- 示例配置
-
pdfFile: paper.pdf, useStructTree: true, pages: 2-10 - 效果
- 报告显示原始顺序确实存在跨栏混淆，而 XY-Cut++ 成功分离了左右栏，确认了必须开启阅读顺序优化。
2. 年度财报图文混排调试
数据分析师- 背景原因
- 需要从大量包含侧边栏注释和插图说明的财报中提取正文。
- 解决问题
- 侧边栏的文字经常插入到正文段落中间，破坏了语义完整性。
- 如何使用
- 上传财报 PDF，勾选“包含页眉页脚”以观察边缘元素的处理情况。
- 示例配置
-
pdfFile: annual_report.pdf, includeHeaderFooter: true - 效果
- 通过对比报告发现，开启 XY-Cut++ 后侧边栏被正确识别为独立块，不再干扰正文流。
用 Samples 测试
pdf, filePDF示例
2026-02-01 到 2026-02-10 工具生成的PDF示例
title token 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
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
VTT 字幕样例
从简单到复杂的 WebVTT 字幕文件，用于预览、解析、转换和备注块处理测试
matched family file
相关专题
常见问题
什么是 XY-Cut++ 算法？
这是一种基于递归投影切分的布局分析算法，能有效识别并按人类阅读习惯排列多栏文档的文本块。
为什么原始绘制顺序会出错？
PDF 内部对象的存储顺序往往取决于生成工具的写入逻辑，而非视觉上的阅读逻辑，导致多栏内容可能被横向串联。
“使用结构树”选项有什么作用？
启用后将尝试利用 PDF 内部自带的 Tagged 标签信息来辅助确定阅读顺序，适用于规范生成的电子文档。
报告中显示“0 changed pages”代表什么？
这意味着在该页面上，XY-Cut++ 算法的解析结果与原始绘制顺序完全一致，布局相对简单。
该工具支持扫描件吗？
支持，但效果取决于 PDF 内部是否包含 OCR 文本层，工具主要针对文本层对象的排列顺序进行调试。