做 RAG（检索增强生成）的小伙伴肯定深有体会：模型再强，如果喂进去的 PDF 数据是一团乱麻，检索出来的结果就是灾难。尤其是面对动辄几千页的设备配置手册、MIB 清单、技术协议，普通的 PDF 提取脚本要么丢了表格，要么断了句子，要么没了上下文。
为了彻底解决“数据清洗”这第一公里，我开发并开源了 Universal Doc Parser。
🚩 为什么你需要它？
在处理复杂的 PDF/Word 文档时，它不只是简单的 extract_text，而是具备了**“结构化思维”**：
- 🔍 智能结构侦察： 它会自动通过算法判断文档是属于“目录树型”、“正则序列型”（如清单文档）还是“视觉排版型”。无需你手动指定，它会自动匹配最优解析引擎。
- 📊 表格结构化重构（完美版特性） ： PDF 里的参数表、对照表最容易变成乱码。本工具能自动识别表格并转换为 Markdown 格式 嵌入正文，完美保留参数与缺省值的对应关系。
- 🧠 语义修复与断句合并： 自动修复排版导致的连字符（con-figuration）和伪换行，确保向量模型（Embedding）能够捕捉到完整的语义。
- 🔗 自动上下文注入： 它会在每一个分块头部注入全路径标题（如：
配置 > 接口 > 以太网 > 配置步骤），彻底解决 RAG 检索后“只知其然不知其所以然”的上下文缺失问题。 -
🛠️ 技术实现路径
- 引擎分发：基于
pypdf处理目录树，pdfplumber处理字号与表格，python-docx处理样式。 - 输出多样性：支持
Excel,JSON,Word,PDF四种格式导出，适配各种向量入库需求。 - 去厂商化设计：代码逻辑完全抽象，专注于文档本身的排版逻辑，隐私安全，通用性极强。
-
🚀 开源地址
既然是好工具，自然要和大家分享。代码已经在 GitHub 开源，欢迎点个 Star 支持一下！
👉 GitHub 地址：github.com/Li-Ser/Univ…
🌈 写在最后
目前这套工具已经在我自己的 RAG 项目中稳定跑了很久，处理效率大幅提升。如果你也在为 PDF 里的表格、乱码、标题层级头疼，不妨试试它。
欢迎在评论区交流你在 RAG 数据清洗时遇到的那些坑！
