我要结构化入库一本书《内科学 十四五 第十版.pdf》

[EasonIndie]

现在的做法是按照目录切分成块，后面想根据不同疾病来抽取书本知识，这一步计划工程做，然后组装 prompt 给大模型出针对某个疾病的专业的学习资料+考核题目+模拟接诊。

目前在结构化入库阶段

但是其中的图标怎么解析与什么样数据结构存比较好呢？ V 友有没有经验的，望不吝赐教（抱拳）

以下是几个典型的图，我让 ai 给 coding 出解析脚本一直不理想。

[maocat]

`根据不同疾病来抽取书本知识`

那只能用 GrapRAG 了

图和表的处理，一般就是提取文字，再加上 vlm 对图表的描述，建议提取的表格要保持结构(markdown/html table)

[mx2dream]

我参与过类似的项目，如果你要求精准度，就不是一个人能完成的，很麻烦，费时费力。需要换个思路，不要被这个 PDF 限制了，关注目标而不是一定通过某种方式实现，可识别文本+专业题库 API+人工校对。不要想着一键提取。这种教材原版一般也是 Word 转 PDF 制成的，然后由排版设计完成最后一步

[wroyal]

关注这个实现方式，最近也有这个需求，需要结构化一个知识库

[zhangli2946]

1. 先试试 IMA (tencent)
2. 如有本地化要求，试试 IMA 的开源版本，自托管一下。

[qazzhouwei123]

你这些图表都算好处理的，提取文字是核心，确保 AI 能够用传统的文字方式检索到。那些没有文字的如风景图、人物图、抽象图才是真的麻烦，只能用 AI 模型单独跑图像识别