[Question]: How to improve image PDF parsing quality?

快速结论：这个报错通常发生在 RAGFlow 使用 DeepDoc 解析包含非英语（如西班牙语）文本的图片型 PDF 时，OCR 引擎未能正确识别单词间的空格，导致文字粘连。优先排查 OCR 词典是否覆盖目标语言，当前 UI 端无直接配置项，需要后端修改模型或词典文件。

问题场景

用户在 RAGFlow 的数据存储（datastore）中上传了一个包含西班牙语文本图片的 PDF 文档，使用 DeepDoc 解析，并以 Paper 方法进行分块（chunk）。在分块结果中，多个单词被错误地连接在一起，失去了应有的空格分隔，例如 “Queelrecurrentesostienequeseledebe” 替代了正确的 “Que el recurrente sostiene que se le debe”。该问题特别影响非英语语种的文本提取。

报错原文

Expected chunk:
CONSIDERANDO:
Que el recurrente sostiene que se le debe otorgar el beneficio de deducción...

Actual chunk:
CONSIDERANDO: Queelrecurrentesostienequeseledebe otorgarelbeneficiodededuccionde50UIT...

原因分析

可能原因：RAGFlow 默认的 OCR 模型和词典（Dictionary）主要针对英语进行优化，对于西班牙语等非英语语言，其词边界识别和字符集适配不足，导致 OCR 输出中缺失空格。DeepDoc 的 OCR 引擎本身支持空间识别，但需要正确的语言词典支持。当前 RAGFlow 的用户界面和配置文件中没有提供调整 OCR 语言、词典或后处理参数的选项，这需要在后端进行工程修改。此外，Paper 分块方法在合并 OCR 输出时，如果原始输出已丢失空格，会进一步加剧文字串联问题。

环境排查

确认 RAGFlow 版本是否为最新（参考 Issue 关闭时间 2026-07-21）
检查 DeepDoc 组件的 OCR 相关文件路径：deepdoc/vision/ocr.py
确认使用的分块方法（Chunk Method）是否为 “Paper” 或其它方法
确认解析器（Parser）是否为 DeepDoc
确认上传文档是否为图片型 PDF（即扫描件或图片嵌入的 PDF）

解决步骤

预处理输入图片：在将 PDF 上传至 RAGFlow 前，尝试提升图片质量，例如增加分辨率、对比度和清晰度，以改善 OCR 基础识别率。
调整分块策略：尝试不同的分块大小（chunk size）或分块模板（chunk template），避免分块合并时放大 OCR 错误。
后端优化（需要工程介入）：修改 deepdoc/vision/ocr.py 文件，更新 OCR 词典，使其包含西班牙语（或目标语言）的词汇和空格字符。可能需要重新训练或替换 OCR 模型以适配特定语言。此项为可优先尝试的根本解决方案。
参考近期更新：检查是否有针对图片旋转处理的更新（如 PR #8167），虽然该更新不直接解决单词分隔问题，但可改善某些图片朝向的 OCR 效果。

验证方法

重新上传原始 PDF 文档到 RAGFlow，使用相同的 DeepDoc 解析器和 Paper 分块方法，检查分块结果中是否出现单词粘连。如果使用预处理后的图片，对比分块输出是否恢复正常单词间距；如果进行了后端词典/模型修改，确认西班牙语文本的 OCR 输出正确包含空格。

参考来源

infiniflow/ragflow #8762

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。

[Question]: How to improve image PDF parsing quality?