Unstructured Transform vs LlamaParse:年报问答的数字,能否点回原表核对?
已有元素入库流程可先验证 Transform;需要跨页表格数据与精细定位可先验证 LlamaParse。比较输出契约、来源页关系和复核信号,避免把解析成功或高分当成答案已经正确。
研究助手从年报里回答“这个地区的收入是多少”,最后还需要让同事点回原表核对。Unstructured Transform 与 LlamaParse 都能把复杂文档交给后续检索,但采购时只比较 Markdown 看起来是否整齐,会漏掉这一步。已有按元素入库流程的团队,可先检查 Transform 的元素、页码与失败页信息;需要把跨页表格继续交给数据分析或做单元格定位的团队,可优先验证 LlamaParse 的表格输出。这里的选择接口文档,不代表对两者识别准确率的实测排名。
先确定答案需要回到哪一页
Transform 当前使用 v2 Parse 接口,默认输出 Markdown。官方说明,显式请求 elements 后可以读取每个元素的类型、文本与 metadata.page_number,此时示例中的 markdown 为 null。因此,直接接上默认请求后再期待自动得到一套完整元素数据,可能不符合返回契约。若现有向量库以段落或表格元素为单位入库,先把原文件标识、页码和元素关联保留下来,再处理切分与嵌入。
位置也不能假设总是存在。Transform 的元素坐标可以缺失或为 null;跨页元素的坐标可能是一组框,每个框附带页码。引用界面应能在有坐标时高亮,在没有坐标时退回到原页,而不是为了补齐界面给出猜测位置。这个缺省行为,是采购验收需要覆盖的情况。
LlamaParse 的 expand=items 返回按阅读顺序组织的页面元素树,包含页码和页面尺寸,表格、文字、图像等有不同字段。边界框使用页面点数,不是像素,也不是归一化坐标;文档中不同页面尺寸可能不同。若团队要在截图上画出证据位置,应按对应页尺寸转换,不能直接把接口坐标当图片像素。它也允许 bbox 为 null,所以完整引用链仍需由应用保存与检查。
跨页表格不能只留下第一张截图
设想收入表跨越两页,第一页有地区和年度表头,第二页继续列数据。读者要的是某行数值及其年度、币种和出处,而不只是一个看起来像表格的文本块。验收时应拿包含合并表头、续表与脚注的原文件,核对表头是否仍对应正确列,以及回答能否找到真正包含该数值的页。这里是建议的测试场景,不是已经得到的测试结果。
LlamaParse 的表格文档提供 rows、CSV、HTML 等输出;HTML 可以表达合并单元格,Markdown 管道表不能。启用 merge_continued_tables 时,续表合并到起始页,并可通过 merged_from_pages 与 merged_into_page 保留合并关系。这对需要把表交给分析程序的团队很有用,但如果应用只保存合并后表格所在的第一页,就可能把来源页信息丢掉。选择格式和保存页码关系,应作为同一个接入决定。
Transform 则适合先围绕已有元素消费方式验证:实际输出的 Table 元素、页码与跨页坐标,能否满足下游的入库和引用要求。不要把其旧版 partition 库示例直接当成当前 Transform 的响应,也不要因营销页面写了表格能力就假定自己的合并表头一定处理正确。若最终需要完整行列数据或精细高亮,应使用同一份样本检查实际响应,而不是只检查返回字符串非空。
质量信号应进入复核队列
Transform 的 completed 结果仍可能漏掉无法读取的页面,或包含未完整识别的页面。官方让调用方检查 failed_pages、degraded_pages 和 warnings。元素上的 parse_confidence 衡量文本与 OCR 文本的一致程度,并不是“内容正确的概率”;空值表示不可用,也不等于零分。团队可以据此安排复核,但不应将某个高分直接展示成业务事实已验证。
LlamaParse 的表格 parse_concerns 会提示行列数量异常、表头与值类型不符等问题。官方同时说明,标记是复核信号,存在标记不证明表格错误,没有标记也不保证正确。页面输出还需检查 success。两边都提供了可以接入复核流程的信息,却都不能替代原文核对;对重要金额或数量,仍应将解析结果与源页对应检查。
因此,两边试点应交付同一份结果:可检索内容、原文件与来源页关系、需要人工复核的片段,以及遗漏页面的清单。已有元素入库契约并希望沿用它时,先验证 Transform;跨页表格的数据形式和细粒度定位是核心要求时,先验证 LlamaParse。最后比较的是哪套输出让团队更少丢失证据、需要多少适配和复核工作,而不是用一个信心分数替代整个答案的可信度。
内容说明:本文基于公开资料整理,仅供工具选型参考。产品功能、价格及相关政策可能随时调整,请以官方最新信息为准。
原文出处:docs.unstructured.io