#数据预处理

【阿里淘天】文档格式混杂（PDF、网页、表格）时 RAG 预处理怎么设计？哪种格式最难处理？

阿里淘天校招真题：考察 RAG 数据层的工程设计——统一解析网关按格式分发专用处理器，PDF 因版面复杂最难（双栏、表格、扫描件），表格需结构感知抽取，网页需正文提取去噪。