1. 双栏学术论文解析校验
AI 工程师背景
正在构建一个基于学术论文的问答系统,但发现 LLM 经常将左栏末尾和右栏开头的句子混在一起。
问题
无法确定是 OCR 错误还是阅读顺序解析错误。
如何使用
上传论文 PDF,设置页码范围为正文页,运行调试器查看 HTML 报告。
pdfFile: paper.pdf, useStructTree: true, pages: 2-10结果
报告显示原始顺序确实存在跨栏混淆,而 XY-Cut++ 成功分离了左右栏,确认了必须开启阅读顺序优化。
Elysia Tools
Navegación
Developer Tools
· Última actualización:2026-04-10
对比 PDF 原始绘制顺序与 XY-Cut++ 阅读顺序,定位多栏和复杂布局导致的抽取错乱
Detalles
上传 PDF 后,工具会分别以 readingOrder=off 和 readingOrder=xycut 运行 OpenDataLoader,并生成逐页对比报告。对于多栏论文、宣传册、财报和图文混排文档,这个报告可以帮助你判断是否必须启用布局感知阅读顺序。
Ejecución
Completa el formulario, ejecuta la herramienta y revisa el resultado en un solo lugar.
Ejemplos
Relacionado
工具使用指南
PDF 阅读顺序调试器是一款专为开发者设计的工具,通过对比 PDF 原始绘制顺序与 XY-Cut++ 布局感知算法的解析结果,帮助用户直观定位多栏、图文混排或复杂排版文档中的文本抽取错乱问题。
对比保留与去掉页眉页脚的抽取结果,定位重复页面装饰对文本清洗的污染
对比启用和关闭 StructTree 的抽取结果,判断 PDF 是否具备可利用的 Tagged 语义结构
比较 OpenDataLoader 的本地与 hybrid 抽取结果,识别哪些 PDF 页面更适合使用 AI 辅助解析
适合
不适合
带密码的 PDF
文件在去除密码前无法读取——本工具没有密码输入框。
无文本层的扫描版 PDF
纯图片页面没有可选文字,文本输出会是空的——请先对文件做 OCR。
超大文件
大文件处理更慢,还可能触及浏览器内存上限——请先用小样本测试。
背景
正在构建一个基于学术论文的问答系统,但发现 LLM 经常将左栏末尾和右栏开头的句子混在一起。
问题
无法确定是 OCR 错误还是阅读顺序解析错误。
如何使用
上传论文 PDF,设置页码范围为正文页,运行调试器查看 HTML 报告。
pdfFile: paper.pdf, useStructTree: true, pages: 2-10结果
报告显示原始顺序确实存在跨栏混淆,而 XY-Cut++ 成功分离了左右栏,确认了必须开启阅读顺序优化。
背景
需要从大量包含侧边栏注释和插图说明的财报中提取正文。
问题
侧边栏的文字经常插入到正文段落中间,破坏了语义完整性。
如何使用
上传财报 PDF,勾选“包含页眉页脚”以观察边缘元素的处理情况。
pdfFile: annual_report.pdf, includeHeaderFooter: true这是一种基于递归投影切分的布局分析算法,能有效识别并按人类阅读习惯排列多栏文档的文本块。
PDF 内部对象的存储顺序往往取决于生成工具的写入逻辑,而非视觉上的阅读逻辑,导致多栏内容可能被横向串联。
启用后将尝试利用 PDF 内部自带的 Tagged 标签信息来辅助确定阅读顺序,适用于规范生成的电子文档。
这意味着在该页面上,XY-Cut++ 算法的解析结果与原始绘制顺序完全一致,布局相对简单。
支持,但效果取决于 PDF 内部是否包含 OCR 文本层,工具主要针对文本层对象的排列顺序进行调试。
结果
通过对比报告发现,开启 XY-Cut++ 后侧边栏被正确识别为独立块,不再干扰正文流。