非文本内容的检索：表格、图表与扫描件怎么处理

关键信息常在表格与图表里。本文给出表格处理的三条正确做法（保留结构、按行带表头切块、带上单位）、图表的两种处理方式、扫描件 OCR 的结构化要求与验证非文本检索的方法。

表格与图表是"最难检索"的内容

文本检索已经成熟，但企业资料里大量关键信息在**表格、图表、扫描件**里 ✔ ——

这些内容如果处理不好，检索就会"看得到标题、拿不到数据" ✗。

三种非文本内容的处理策略 ✔：

**错误做法** ✗：解析器把表格按行拼成文本 ✔（"名称数值单位名称数值单位…"），

行列关系丢失 ✔，检索到也没法用 ✔。

**正确做法** ✔：

1. **保留结构**（转成 Markdown 表格或结构化记录 ✔）；

2. **每行可独立检索**（把"行"作为一个块 ✔，并**带上表头** ✔ ——

没有表头的行等于没有意义 ✔）；

3. **表名与单位也要带上** ✔（"金额（万元）"必须跟着数值 ✔）。

**切块建议**：小表整表一块 ✔；大表按行分组（例如 10 行一块 ✔），每块重复表头 ✔。

图表（折线、柱状、饼图 ✔）直接嵌入检索没有意义 ✗。两种做法：

1. **提取数据点**（若原文件是结构化格式如 xlsx/pptx ✔）→ 存成"系列 + 数值 + 单位" ✔；

2. **生成图注描述**（若是图片 ✔）→ 写清"横轴是什么、纵轴是什么、主要趋势" ✔，

并**标注这是模型生成描述、可能有误** ✔（与本站"如实标注"同一原则 ✔）。

**要点**：图表检索的正确形态是"**数值 + 文字描述**"并存 ✔，

回答时优先引用数值 ✔，描述只作辅助 ✔。

OCR 文本要**保留版面线索**（页码、栏目、表格边界 ✔）；

OCR 结果**必须标注来源与页码** ✔（便于人工核对 ✔）；

OCR **错误率要抽样评估** ✔（数字识别错误在财务资料里代价极高 ✔）——

对关键数字，建议**双重识别或人工抽检** ✔。

准备 20 个"必须看表格才能回答"的问题 ✔；

检查：**正确单元格是否进了候选** ✔、回答里的数字是否与原文**逐字一致** ✔；

单独统计**数字错误率** ✔（这是非文本检索最该盯的指标 ✔）。

> 抽 10 个"表格类"问题 ✔，回答里的数字能否**逐字对回原表** ✔？

> 对不回，说明表格还没有被正确结构化 ✗。