让大模型把文件读“对”，先得把版面拼回去

让大模型处理文件，开场几乎都一样：合同、年报、投标文件传上去，等它读完给结论。文档解析这一层，往往就在这时候被跳过。

传上去的到底是“文件”，还是一串按坐标排好的字符？这两者差着一整层版面的关系。

合合信息 TextIn xParse 站的就是这一层，作为通用文档解析，它做的事说起来简单：在文件进门之前，先把其版面拼回去。

xParse 接手的时候，文件已经散了一半

PDF 的页面不是文字容器，是一组绘制指令。它只记得每个字画在页面的哪个位置，不记得这个字属于哪一段、哪一列。把文字取出来，得到的是一串字符，段落和栏的关系要靠位置重新推。

可一碰到复杂版式，事情就复杂了。

双栏排版，两栏文字在坐标上贴得很近，取出来左右交替，句子被切成两半再拼回去；跨页表格，表头只在第一页出现，续页的行数据找不到自己的列；图文混排，图一抽走，“如图所示”就没了指向。

扫描件还要多一道。电子版的段落层级写在样式表里，有据可查；扫描件和拍照件只剩像素，连字都得先认出来。同一批材料里两种文件混着来，文档解析得同时按两种读法处理。

一次文档解析，xParse 把它拆开做：先排顺序，再分层，表格单独按结构给，最后给每一条结果贴上位置。

这几步走完，模型拿到的才是一份“文件”，而不是一堆字。

第一步，把阅读顺序排回来

人看一份年报，眼睛先做了一件事：把版面理清楚。哪一段属于哪一节，哪个数字属于哪一列，不用过脑子。文档解析要做的，是替模型把这一步补上。

它认双栏、三栏和图文混排的阅读顺序，版面分析把标题、段落、列表、页眉、页脚、脚注、水印分开。多栏页面上，两栏不再左右穿插。

这一步最要紧。顺序错了，后面的检索、切片、问答，全在错位的文本上继续错下去。

第二步，把元素按层分开

文本、表格、图片、公式、印章、手写体、二维码，16 类以上内容元素分开输出。

类目多少不是关键。关键是每类元素知道自己属于哪一层，下游能按层取用——要正文就不要页眉，要印章就单独拿印章。

表格是文档解析里最难的一段。有线表、无线表、合并单元格、跨页长表、嵌套表头，xParse 都认，输出的是表格树和单元格几何属性。

跨页表的续页关系留在结构里，表格能被比对，而不只是被读出来。

第三步，给每条结果贴上位置

文档解析的输出支持页面、段落、字符级定位，JSON 里保留页码和 BBox 坐标——BBox 就是内容在页面上的位置框，相当于给每一段贴上“第几页、什么位置”的标签。

有这一条，结论才回得去原文。答案说得再顺，指不回原文，也只能当参考。

拼回去之后还能接着问。在解析结果之上，xParse 提供受证据约束的问答，回答依据解析结果给出，结论能指回原文位置。证据链不在中途断开。

速度也跟得上。常规印刷文字识别率 99.77%，表格识别率超过 99%，复杂文档综合还原度 95%；百页长文档在线解析最快 1.5 秒，离线批量 3 天能解析 500 万页 PDF；日均支撑数百万级调用量，成功率 99.999%，支持 52 种以上语言。

拼回去的数据，还得进得了系统

文档解析是一道工序，不是终点。xParse 的输出有两种形态，各有各的去处。

进知识库：Markdown 承载连续阅读内容，适合大模型问答；JSON 保留结构和位置，适合程序取字段。

进检索：搜索级、实体级两种分块，按检索语义切，不按字数硬切。版面关系在分块之后还留着，检索到的片段才不缺上下文。

进业务系统：键值对形态直接落库，字段和解析结果一起进去。少一次人工整理，就少一处录入差错。

入口也够宽。文档解析的输入范围覆盖 PDF（含加密件、扫描件）、Word、Excel、PPT、图片、CAD 图纸，网页截图、手机长截图里的信息也能提出来。

xParse 怎么进入企业现有的流程

对于已经搭好智能体应用、知识库或检索流程的团队，插件和 MCP Server 两种形态都能直接对接。用什么框架搭的，就顺着哪条路走。

数据不想出内网的，本地服务器或私有云部署，xParse 的解析过程和结果都留在内网。

接入之后，它不是一个要单独登录的系统，而是流程里的一个节点：材料进，结构出。

数百页的投标文件，是 xParse 的面试场

以某地公共资源交易机构为例。一个项目下来，招标文件、投标文件、澄清文件摞在一起，版本还在变，投标文件动辄几百页，电子版、扫描件、图片混着来。

对此，可以接入合合信息TextIn xParse，材料上传后自动完成解析与结构化：招标文件的资格条件与评标办法、投标文件里的资质业绩与报价，整理成可对照的数据；澄清文件更新，相关条款同步迭代。预期是人工翻阅和重复录入减少，条款漏检、版本误用的风险跟着下降。

回到开头。文档解析补的正是输入质量这一课；任何要“让大模型读文件”的团队，这一关同样绕不开。

毕竟，人看到的是一份版面完好的报告，模型拿到的是一份说得清位置的数据——这才谈得上“读懂”。

点击下方图片，了解更多合合信息通用文档解析产品TextIn xParse的内容信息