文档解析服务

这是示例项目，用来填充项目列表以便演示分页，请替换成你自己的项目介绍。

为什么需要它

做检索增强时，解析质量决定了上限。解析丢掉了标题层级，后面的切分就只能按固定长度硬切；表格被拆成散落的文字，模型再也读不出行列关系。

这个服务专门解决这一段。

输出的结构

每个文档解析成带层级的块，而不是一坨纯文本：

{
  "type": "table",
  "level": 2,
  "section": "性能对比",
  "rows": [["方案", "延迟"], ["A", "12ms"]]
}

块上带着它在原文里的位置，检索命中后可以回溯到具体页码。

支持情况

格式	文本	标题层级	表格	图片说明
PDF（文本层）	是	按字号推断	是	是
PDF（扫描件）	走 OCR	弱	是	否
Word	是	是	是	是
HTML	是	是	是	是

扫描件的标题层级只能从版面位置推断，准确率明显低于有文本层的 PDF，这是格式本身的限制。

异步与重试

解析是慢操作，走 Celery 队列。大文件拆成页级任务并行，失败只重试失败的那几页，不必整份重来。