从PDF表格复制三个数字，粘进表格软件后却挤成一团；双栏论文抽出文字，左右栏还可能互相串行。问题不只是“读到字”，而是机器不知道哪些是标题、段落和表格，也不清楚正确的阅读顺序。扫描件还要先做OCR——把图片里的字形转成可搜索文字，但识字本身并不能恢复表格的行列关系。
据KDnuggets作者Shittu Olumide介绍，开源工具Docling的做法，是把PDF、DOCX、PPTX、Markdown、HTML等不同载体收束为统一的结构化表示。它像给下游约定一套共同语言：数据工程师可以围绕同一种结构编写切分、检索和导出逻辑，不必为每类文件反复定制解析器。这对RAG（先从资料库检索相关片段，再交给大模型回答）尤其关键，因为标题层级、表格或阅读顺序一旦在入口处损坏，后面的检索可能从一开始就拿错上下文。材料展示的是一套工程思路，未提供独立对比实验来说明其解析准确率。