一句话定义：版面感知文档解析（Layout-Aware Parsing，也常叫版面分析）指的是，在把文档变成机器可读文本时，不只读出「字是什么」，还要读出「字在哪里、属于哪一块、和谁是同一行同一列」。
PDF 里根本没有「表格」这个概念
PDF 本质上是一堆绘图指令：在第 X 页的 (x, y) 坐标画某个字符。段落、分栏、表格边框，都是排版软件渲染时才「看起来」存在的东西。最省事的抽取方式就是把这些字符按坐标顺序拉成一条文本流。
打个比方：把一张 Excel 表的单元格内容按顺序念出来，却不告诉你第几行第几列。你听到「姓名 年龄 张三 28 李四 31」还能猜，一旦有合并单元格或空格，就彻底对不上了。
一张跨页表格怎么毁掉整个知识库
假设一份合同里的租金表，第 3 页是表头加前四行，第 5 页是续页加后五行。纯文本抽取会把两页各抽成独立的一块。知识库切片后，用户问「2026 年租金多少」，命中的很可能是第 5 页那块——里面只有「2026 年 120 万」，没有列名说是租金还是押金。模型要么答错，要么自己编一个列名填上。
合并单元格是同一个病的另一种发作：一个值横跨三列，扁平化后要么重复三遍，要么只留一次，两种都会让后续统计出错。更隐蔽的情况是双栏论文——左右两栏被按行交替读出，句子直接串味。
它到底要保留什么
- 区块类型：标题、正文、表格、图片、页眉页脚、脚注
- 阅读顺序：多栏、边栏、图注该排在谁后面
- 坐标与层级：这块属于哪个章节，标题管到哪一段
- 表格结构：行列、跨行跨列、表头归属
- 跨页/跨栏连续性：把表头继承到续页，把断开的段落接回去
实现上常见三条路线：吃 PDF 绘图指令和线条的规则法、把页面当图片做版面分割的视觉法、以及混合方案（通常配一个专门的表格识别模型，扫描件再接 OCR 兜底）。输出一般是结构化的 Markdown/HTML 表格或带坐标的 JSON。各家能力边界不同，以官方页面为准。
和相邻概念的区别
| 概念 | 解决什么问题 |
|---|---|
| OCR | 像素 → 文字。扫描件的上游 |
| 纯文本抽取 | 字符流，不管结构 |
| 版面感知解析 | 文字 → 结构（区块、阅读顺序、表格） |
| 信息抽取 | 从结构里抓字段，如发票号、金额 |
注意顺序：版面感知解析是信息抽取的上游，也是 RAG 切块的上游。解析错了，后面 embedding 和 rerank 再强也救不回来。
对从业者的实际意义
知识库质量的上限由解析决定。做 RAG 的团队常把精力全花在检索和重排上，但长尾错误大多来自解析。建议拿二三十份最难的真实文件（跨页表格、合并单元格、双栏、扫描件）做一个小评测集，人工核对表格还原率；并且让表格单独走一条链路，不要和正文混在一起切。
对普通职场人，一个可用的判断方法是：答案里数字对、列名可疑，先别信——那多半不是模型笨，是表格在解析那一步就已经散架了。