[Bug]: Go DeepDOC reorders native superscripts before their surrounding text

问题场景

用户通过 RAGFlow 的 Go DeepDOC 解析器解析 PDF，且走的是原生字符提取路径（native-character path），而非 OCR 识别。在解析 Holtek 的 an0590scv140.pdf（HT8 MCU I²C 应用说明）时，第 4 页图 3 的图注 图 3. I²C 时序图 输出为 2图 3. I C 时序图：上标 2 跑到了整段文字最前面，而不是夹在 I 与 C 之间。同一文档的标题和段落中也出现类似顺序错乱。字符本身并未丢失，属于纯粹的阅读顺序问题，与 OCR 召回或图形几何无关。

报错原文

[Bug]: Go DeepDOC reorders native superscripts before their surrounding text

2图  3. I C 时序图

Expected: 图 3. I2C 时序图

原因分析

Issue 正文指出，问题位于 internal/deepdoc/parser/pdf/layout/chars_boxes.go 的 GroupCharsToLines 与 CharsToBoxes 中。字符最初按垂直键（SortByTop，默认开启）排序，而归属同一行的字符在进入水平间隙切分和文本拼接之前，缺少一致的阅读顺序规则，导致上标这类垂直偏移的字符被排到行首。Issue 同时提到，包含上下标和多栏布局在内的完整排序策略应单独测试，说明该排序问题并非只影响单一文档。

环境排查

• 确认使用 Go 源码本地构建的 RAGFlow，并记录 workspace 代码提交（Issue 中为 a485a564f，基于上游 65f543a63）。
• 确认解析走的是原生字符路径（native pdf_oxide 字符提取、进程内 DeepDOC 模型），而不是 OCR 路径。
• 确认 SortByTop 为默认开启状态，因为该问题与该排序开关相关。
• 准备一个含上标/下标的最小测试 PDF（例如 I²C 图注），用于对照复现。
• Issue 未提供 Python、CUDA、PyTorch、显卡等版本信息，这些项与本次问题无直接关联证据。

解决步骤

1. 先将代码更新到包含 PR #21399 的 main 分支；该 PR 在 CharsToBoxes 中引入 sortLineByXY 行内排序。
2. 确认 internal/deepdoc/parser/pdf/layout/chars_boxes.go 中同一行字符在水平间隙切分与文本拼接之前，已按 XY 顺序重排，使上下标留在原位。
3. 若无条件升级，可优先尝试：在 CharsToBoxes 中为已归入同一行的字符补充稳定的行内排序（按水平位置为主、垂直位置为辅），再进入后续切分逻辑；该思路属于推测，需自行验证。
4. 用 an0590scv140.pdf 重新解析第 4 页图 3 图注，对比输出。
5. 补充多栏文档和其他上下标样例做回归检查，因为 Issue 明确指出完整排序策略需独立测试。

验证方法

重新解析 an0590scv140.pdf 第 4 页，图 3 图注应输出为 图 3. I2C 时序图（纯文本中上标 2 保留在 I 与 C 之间）。同时检查同一文档中其他标题与段落的 I²C 文本，确认上下标不再前置，且多栏段落阅读顺序未出现新的错乱。

参考来源

infiniflow/ragflow #21388

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。