Langchain中的表格解析:RAG 和表格的爱恨情仇

实现 RAG（Retrieval-Augmented Generation）是一个挑战，尤其是在有效解析和理解非结构化文档中的表格时。这在处理扫描文档或图像格式的文档时尤为困难。这些挑战至少包括以下三个方面：

• 1.表格的“叛逆期”：不准确的解析可能会破坏表格结构：
  表格在文档里就像个叛逆的青少年，结构复杂、格式多变，手写和打印混在一起，还时不时带点非文本元素（比如图片、公式）。想要准确解析它们？难上加难！一不小心，表格结构就被破坏得七零八落，RAG 的结果也跟着遭殃。

• 2.表格标题的“捉迷藏”：如何提取表格标题并有效地将其与相应的表格关联起来。：
  表格标题就像个调皮的小精灵，总是藏在表格旁边，但就是不肯乖乖现身。如何找到它并把它和表格“配对”？这可是个技术活儿！

• 3.索引结构的“拼图游戏” ：如何设计索引结构以有效存储表格的语义信息。：
  表格的语义信息怎么存？是存成图像、纯文本、LaTeX，还是只存个摘要？这就像在玩拼图，得找到最合适的拼法，才能让 RAG 系统跑得顺畅。

本文首先介绍了在 RAG 中管理表格的关键技术，然后回顾了一些现有的开源解决方案，最后提出并实现了一个新的解决方案。

工具大比拼

表格解析

该模块的主要功能是从非结构化文档或图像中准确提取表格结构。

附加功能：最好能提取相应的表格标题，并方便开发者将表格标题与表格关联起来。

根据我目前的理解，有几种方法，如图 1 所示：

图 1：表格解析器。

(a). 利用多模态 LLM，如 GPT-4V，来识别表格并从每个 PDF 页面中提取信息。

• 输入：图像格式的 PDF 页面
• 输出：JSON 或其他格式的表格。如果多模态 LLM 无法提取表格数据，它应该对图像进行总结并返回总结。

(b). 利用专业的表格检测模型，如 Table Transformer，来识别表格结构。

• 输入：图像格式的 PDF 页面
• 输出：图像格式的表格

©. 使用开源框架，如 unstructured 等，这些框架也使用对象检测模型（unstructured 的表格检测过程在这篇文章中有详细说明）。这些框架允许对整个文档进行全面的解析，并从解析结果中提取与表格相关的内容。

• 输入：PDF 或图像格式的文档
• 输出：从整个文档的解析结果中获得的纯文本或 HTML 格式的表格

(d). 使用端到端模型，如 Nougat、Donut 等，来解析整个文档并提取与表格相关的内容。这种方法不需要 OCR 模型。

• 输入：PDF 或图像格式的文档
• 输出：从整个文档的解析结果中获得的 LaTeX 或 JSON 格式的表格

值得一提的是，无论使用哪种方法提取表格信息，都应包含表格标题。因为在大多数情况下，表格标题是文档或论文作者对表格的简要描述，可以在很大程度上概括整个表格。

在上述四种方法中，方法 (d) 可以轻松获取表格标题。这对开发者来说非常有利，因为它允许他们将表格标题与表格关联起来。这将在接下来的实验中进行进一步解释。

索引结构

根据索引的结构，解决方案大致可以分为以下几类：

(e). 仅索引图像格式的表格。

(f). 仅索引纯文本或 JSON 格式的表格。

(g). 仅索引 LaTeX 格式的表格。

(h). 仅索引表格的摘要。

(i). 小到大或文档摘要索引结构，如图 2 所示。

• 小块的内容可以是表格每一行的信息或表格的摘要。
• 大块的内容可以是图像格式、纯文本格式或 LaTeX 格式的表格。
  

图 2：小到大索引结构（上部）和文档摘要索引结构（中部和下部）。作者提供的图片。

如上所述，表格摘要通常使用 LLM 生成：

• 输入：图像格式、文本格式或 LaTeX 格式的表格
• 输出：表格摘要

不需要表格解析、索引或 RAG 的算法

有些算法不需要表格解析。

(j). 将相关图像（PDF 页面）和用户的查询发送到 VQA 模型（如 DAN 等）或多模态 LLM，并返回答案。

• 需要索引的内容：图像格式的文档
• 发送到 VQA 模型或多模态 LLM 的内容：查询 + 对应的页面（图像形式）

(k). 将相关文本格式的 PDF 页面和用户的查询发送到 LLM，然后返回答案。

• 需要索引的内容：文本格式的文档
• 发送到 LLM 的内容：查询 + 对应的页面（文本格式）

(l). 将相关图像（PDF 页面）、文本块和用户的查询发送到多模态 LLM（如 GPT-4V 等），并直接返回答案。

• 需要索引的内容：图像格式的文档和文本格式的文档块
• 发送到多模态 LLM 的内容：查询 + 对应的图像格式文档 + 对应的文本块

此外，以下是一些不需要索引的方法，如图 3 和图 4 所示：

图 3：类别 (m)

(m). 首先，应用类别 (a) 到 (d) 中的一种方法，将文档中的所有表格解析为图像格式。然后直接将所有表格图像和用户的查询发送到多模态 LLM（如 GPT-4V 等），并返回答案。

• 需要索引的内容：无
• 发送到多模态 LLM 的内容：查询 + 所有解析后的表格（图像格式）
  图 4：类别 (n)。

(n). 使用 (m) 中提取的图像格式的表格，然后使用 OCR 模型识别表格中的所有文本，然后直接将表格中的所有文本和用户的查询发送到 LLM，并直接返回答案。

• 需要索引的内容：无
• 发送到 LLM 的内容：用户的查询 + 所有表格内容（文本格式）

值得注意的是，有些方法不依赖于 RAG 过程：

• 第一种方法不使用 LLM，而是在特定数据集上进行训练，使模型（如 BERT 类 Transformer）更好地支持表格理解任务，例如 TAPAS。
• 第二种方法使用 LLM，采用预训练、微调方法或提示，使 LLM 能够执行表格理解任务，如 GPT4Table。

现有的开源解决方案

LlamaIndex 提出了四种方法，其中前三种使用多模态模型。

1. 检索相关图像（PDF 页面）并将其发送到 GPT-4V 以响应查询。
2. 将每个 PDF 页面视为图像，让 GPT-4V 对每个页面进行图像推理。为图像推理构建文本向量存储索引。查询答案时，针对图像推理向量存储进行查询。
3. 使用 Table Transformer 从检索到的图像中裁剪表格信息，然后将这些裁剪后的图像发送到 GPT-4V 以响应查询。
4. 对裁剪后的表格图像应用 OCR，并将数据发送到 GPT4/ GPT-3.5 以回答查询。

根据本文的分类：

• 第一种方法类似于本文的类别 (j)，不需要表格解析。然而，结果显示，即使答案在图像中，也无法生成正确答案。
• 第二种方法涉及表格解析，对应于类别 (a)。索引的内容是表格内容或摘要，基于 GPT-4V 返回的结果，可能对应于类别 (f) 或 (h)。这种方法的缺点是 GPT-4V 从图像中识别表格并提取其内容的能力不稳定，特别是当图像包含表格、文本和其他图像的混合时，这在 PDF 格式中很常见。
• 第三种方法类似于类别 (m)，不需要索引。
• 第四种方法类似于类别 (n)，也不需要索引。其结果表明，由于无法从图像中提取表格信息，导致生成错误答案。

通过测试，发现第三种方法的整体效果最好。然而，根据我的测试，第三种方法在检测表格方面存在困难，更不用说正确地将表格标题与表格合并了。

Langchain 也提出了一些解决方案，半结构化 RAG 的关键技术包括：

• 表格解析使用 unstructured，属于类别 ©。
• 索引方法是文档摘要索引，属于类别 (i)，小块内容：表格摘要，大块内容：原始表格内容（文本格式）。

如图 5 所示：
图 5：Langchain 的半结构化 RAG。来源：半结构化 RAG

半结构化和多模态 RAG 提出了三种解决方案， 架构如图 6 所示。

图 6：Langchain 的半结构化和多模态 RAG。来源：半结构化和多模态 RAG。

选项 1 类似于本文的类别 (l)。它涉及使用多模态嵌入（如 CLIP）来嵌入图像和文本，使用相似性搜索检索两者，并将原始图像和块传递给多模态 LLM 以进行答案合成。

选项 2 利用多模态 LLM，如 GPT-4V、LLaVA、FUYU-8b，从图像生成文本摘要。然后，嵌入并检索文本，并将文本块传递给 LLM 以进行答案合成。

• 表格解析使用 unstructured，属于类别 (d)。
• 索引结构是文档摘要索引（类别 (i)），小块内容：表格摘要，大块内容：文本格式的表格

选项 3 使用多模态 LLM（如 GPT-4V、LLaVA、FUYU-8b）从图像生成文本摘要，然后嵌入并检索图像摘要，并引用原始图像（类别 (i)），然后将原始图像和文本块传递给多模态 LLM 以进行答案合成。

提出的解决方案

本文提出的解决方案：

• 表格解析：使用 Nougat（类别 (d)）。根据我的测试，它的表格检测比 unstructured（类别 ©）更有效。此外，Nougat 可以很好地提取表格标题，非常方便与表格关联。
• 文档摘要索引结构（类别 (i)）：小块的内容包括表格摘要，大块的内容包括相应的 LaTeX 格式的表格和文本格式的表格标题。我们使用 multi-vector retriever 实现它。
• 表格摘要获取方法：将表格和表格标题发送到 LLM 进行摘要。

这种方法的优点是它高效地解析表格，同时全面考虑了表格摘要与表格之间的关系。它还消除了对多模态 LLM 的需求，从而节省了成本。

Nougat 的原理

Nougat 是基于 Donut 架构开发的。它通过网络隐式识别文本，不需要任何 OCR 相关的输入或模块，如图 8 所示。
图 8：基于 Donut 的端到端架构。Swin Transformer 编码器将文档图像转换为潜在嵌入，随后以自回归方式转换为标记序列。来源：Nougat: Neural Optical Understanding for Academic Documents。

Nougat 解析公式的能力令人印象深刻。它在解析表格方面也表现出色。方便的是，它可以关联表格标题，如图 9 所示：
图 9：运行 Nougat 的结果，结果文件为 Mathpix Markdown 格式（通过 vscode 插件打开），表格为 LaTeX 格式。

我测试发现表格标题总是固定在表格的下一行。这种一致性表明这不是偶然的。 Nougat 是如何实现这种效果的？

鉴于它是一个端到端模型，缺乏中间结果，它很可能严重依赖于其训练数据。

根据格式化训练数据的代码，对于表格，紧跟在 \end{table} 之后的行是 caption_parts，这似乎与提供的训练数据的格式一致：

def format_element(element: Element, keep_refs: bool = False, latex_env: bool = False
) -> List[str]:"""将给定的元素格式化为格式化字符串列表。参数：element (Element): 要格式化的元素。keep_refs (bool, 可选): 是否在格式化中保留引用。默认为 False。latex_env (bool, 可选): 是否使用 LaTeX 环境格式化。默认为 False。返回：List[str]: 表示格式化元素的格式化字符串列表。""".