HTML/PPT文档解析方案:面向RAG知识库构建

在构建RAG知识库时，HTML和PPT是两类常见的"非标准格式"。本文系统调研了主流解析方案，从技术原理到工具选型，提供完整的解决方案。

一、背景与挑战

1.1 问题定义

当前主流文档解析引擎支持的格式各有差异：

核心挑战：如何将HTML和PPT这类"非标准RAG格式"转换为解析引擎可处理的格式，同时保留语义结构和视觉信息。

1.2 RAG系统对文档的要求

二、HTML解析技术方案

2.1 方案一：直接使用HTML（HtmlRAG）

论文来源：HtmlRAG (WWW 2025) - "HTML is Better Than Plain Text for Modeling Retrieved Knowledge in RAG Systems"

核心观点：HTML比纯文本更适合建模外部文档中的知识，因为LLM已具备强大的HTML理解能力。

优势

技术流程

HTML Cleaning -> HTML Compression -> Block-Tree Pruning

2.2 方案二：HTML转Markdown

这是最通用的方案，兼容所有RAG引擎。以下是主流工具对比：

推荐：markdownify 是Python生态中最成熟的方案，边缘情况处理好，适合大多数场景。

markdownify 示例

from markdownify import markdownify as md

html = "<article><h1>API文档</h1><p>发送POST请求</p></article>"
markdown = md(html, heading_style="ATX")

2.3 HTML方案对比总结

三、PPT解析技术方案

3.1 PPT的特殊性

3.2 方案一：视觉语言模型直接处理（ColPali）

论文来源：ColPali (ICLR 2025) - "Efficient Document Retrieval with Vision Language Models"

核心思想：直接对文档页面图像进行嵌入，跳过传统OCR文本提取。视觉信息完整保留。

相比传统OCR的优势

3.3 方案二：PPT转Markdown（Marker）

工具：Marker - 支持PDF/图像/PPTX转Markdown

# 安装
pip install marker-pdf[full]

# 转换PPT
marker_single /path/to/presentation.pptx --output_format markdown

输出格式对比

3.4 PPT方案对比总结

四、推荐方案总结

五、实施建议

5.1 技术演进路线

阶段一：快速验证
HTML -> markdownify
PPT -> Marker

阶段二：效果优化
HTML -> HtmlRAG（保留HTML）
PPT -> ColPali（视觉嵌入）

阶段三：专业深化
根据业务场景定制化处理流程
引入多模态检索增强

5.2 注意事项

编码问题：HTML可能存在编码不一致，需统一处理

动态内容：JS渲染的内容需要使用无头浏览器提取

大文件处理：PPT可能很大，需要分批处理

版本兼容：PPT不同版本格式有差异，需测试

参考资料：HtmlRAG (WWW 2025)、ColPali (ICLR 2025)、SlideRAG、Unstructured.io、Marker Documentation