PDF 抽取如何做到逐字段可追溯
PDF 抽取即使生成合法 JSON,也可能填入空白字段、错读数字或串行取值,结构校验无法发现这些错误。文章讨论将字段绑定到原文位置、呈现不确定性,以及文档平台与自建 OCR 加大模型管线的取舍。
AI 深度解读
把 PDF 和 JSON schema 一起交给 GPT、Gemini 或 Claude,往往能拿到格式正确、看起来也合理的结果。麻烦在于,填错的保单号、串行的金额、凭空补出的日期,同样能通过校验。原文的核心主张是:PDF 抽取要进入生产流程,不能只交付字段值,还要交付能回到原文位置的证据。
文章用 LandingAI 的 Agentic Document Extraction(ADE)解释了这套做法,也讨论了其他文档 AI 平台。值得借鉴的是它的验收思路:不仅问「抽得对不对」,还要问「错了能不能查出来」。
为什么 JSON 合法,数据还是会错
通用模型根据输入生成可能的内容。到了纯 JSON 输出里,从页面读出的值和根据上下文补出的值,外观完全一样。原文列出的几个条件,会放大后者出现的机会。
首先是 schema。如果字段不允许 null,页面却没有对应内容,模型要满足格式约束,就面临必须填值的压力。提示词要求「缺失时返回 null」,也需要 schema 同时允许空值才有用。
其次是输入质量。原文援引 Gemini 文档,称较大页面图像的尺寸上限为 3072 × 3072 像素。缩放后,小字和密集表格会损失细节。对于原生数字 PDF,原文称 Claude 和 Gemini 3 还会接收文件中的嵌入文本;扫描件和手机照片通常没有这层文本,模型更依赖图像识读。
表格还有结构问题。拿到页面图像或提取出的文字,不等于拿到了单元格与行列标题的关系。模型需要重新推断,所以「数字读对了,取成上一行」也是典型错误。
JSON 校验通过,只能证明结果满足格式要求,不能证明字段有原文依据。
原文区分了 OpenAI 的 JSON mode 和 Structured Outputs:两者都能产生合法 JSON,只有 Structured Outputs 保证符合 schema。但键名、类型都正确的虚构发票号,仍然可以通过检查。它们解决的是输出约束,内容正确性还要另行验证。
给字段附上出处,究竟能解决什么
Grounded extraction 可以理解为「带来源定位的抽取」。它先解析文档,得到文本、表格、单元格、图形等结构化块,记录各块所在页和位置;再从这些解析结果中提取字段,把来源引用附在值上。
好处是出处变成了程序能处理的数据。系统可以检查某个值是否缺少引用,审核界面也可以让用户点击金额,直接跳到对应页面区域,减少翻页和搜索。
这里要分清两类「引用」。在提示词里要求模型附页码、摘录,引用仍然是模型生成的文本,也可能出错。原文介绍的 Anthropic Citations 则从源文档提取被引用文本,保证引用指向真实位置。
不过,按原文所述,Claude 的 PDF 引用提供的是页码范围和引用文本;API 会拒绝同时使用 Citations 与 structured outputs 的请求,而且不保证每个字段都有值和引用,调用方仍需检查。需要字段级 JSON 和页内精确定位时,还得补一层处理。
定位也有明确边界。模型可能选中了错误行,但那个值确实存在于页面上,因此仍有有效出处。单个数字、重复日期也可能对应多处位置。
有出处不等于取对了字段,它让错误更容易被看见和复核。
原文建议用五项检查验收工具:挑密集表格和长文档深处的困难字段;检查每个值是否带位置;渲染页面验证位置;测试空字段;再测试页面没印出来、需要计算的字段。最后两项尤其有用,因为它们能区分「原文缺失」「直接抄录」和「计算得到」。
ADE 怎样把字段连回页面
ADE 把上述流程拆成 Parse、Extract 和 Ground API。
Parse 输出一棵树,依次是文档节点、页面节点和页面里的内容块。原文列出 9 类块:text、table、table cell、figure、marginalia、attestation、logo、card、scan code。其中 attestation 涵盖认证、印章和签名,scan code 涵盖条形码和二维码。
每个块有几组定位信息:Page 从 1 开始计数;Range 记录它在整份 Markdown 中的起止位置;Box 用 0 到 1 的页面比例表示边界框,因此可以适配不同渲染分辨率。更细的 atomic grounding 则由 DPT-3 Pro 提供行级位置,由 DPT-3 Verity 提供词级位置。
表格默认输出 HTML,以保留合并单元格。每个 table cell 还记录行、列、跨行数和跨列数,让表格结构成为明确数据,减少后续再次猜测的需要。
Extract 把 JSON schema 应用到解析后的 Markdown 上,返回字段值及其字符范围。同一个值出现多次时,可以携带多个范围。Ground 再把字段连接到对应内容块,通过块上的页码和边界框,找到页面区域。
因此,接入时不能只消费 Extract 的值。要做出可复核的产品,还需要把字符范围、内容块与页面显示连接起来。
缺失与推导也有不同表达。ADE Gen 2 的 Extract 对原文缺失字段返回 null;如果产生了并非直接复制自文本的值,例如计算总额,则来源范围返回 null。number、integer、enum 字段也可以在 schema 中设为 nullable。
置信度方面,DPT-3 Pro 不返回分数,依赖定位支持审核;DPT-3 Verity 在原文中仍处于 Preview,面向数字生成的文本文档,提供逐词置信度。逐词分数与字段是否选对,是两件需要分别判断的事。
我的判断
这篇最有用的地方,是把采购或自建时的验收对象,从「一份 JSON」扩展成「值、来源位置和缺失信号」。对需要入库、对账或审核的流程,这比继续堆提示词更接近实际问题。
但文章明显以 ADE 为重点,不能据此认定它的准确率优于其他平台。原文没有给出同一批文档上的对照实验,也没有提供错误率、延迟、成本或人工审核耗时数据。它给出的是接口能力说明和选型建议,不能当成性能排名。
Amazon Textract、Azure AI Document Intelligence、Google Document AI 同样返回来源位置和置信度,定位形式包括多边形、文本锚点等。原文提到的厂商比较表并未出现在提供的正文中,因此无法据此进一步比较各家的定位粒度。
来源位置与置信度也不是替代关系。前者回答「去哪儿检查」,后者可用于决定「哪些先检查」。低分送审是否有效,要在自己的文档上验证;来源为空的计算结果,也不该直接判成错误,而应进入另一类校验。
与自建 OCR 加 LLM 流水线相比,文档平台能提供现成的解析、表格结构和定位信息,但是否省下总体工作量,还取决于文档类型和集成要求。原文没有给自建方案的对照数据,这部分属于工程取舍建议。
如果只是内部单页资料抽取,而且有人逐条阅读,通用模型仍然合理。字段要自动进入业务记录时,可追溯性才更值得作为接入要求。
能拿来做什么
- 给现有 PDF 抽取补一组验收样本,覆盖密集表格、长文档深处、空字段和计算字段,同时检查值与来源,别只测试 JSON 能否解析。
- 在 Node 接口的数据契约里保留字段值、来源范围、页码、边界框及来源缺失状态,并把允许缺失的字段设为 nullable,避免后端清洗时丢掉证据。
- 给前端审核页增加「点击字段定位原文」的交互,用返回的坐标高亮页面区域;金额、编号等关键字段仍需核对行列关系。
- 在购买平台或决定自建前,用同一批业务 PDF 跑原文的五项检查,再记录接入成本和审核成本,让选型建立在自己的结果上。