把 PDF 变成可检索的知识
海量非结构化知识藏在 PDF 和图片里。这一篇讲怎样用 Pipeline Builder 把文档提取成文本、切成小块、嵌入成向量， 最终让语义搜索能精准命中原文——还能把原 PDF 渲染在侧边供核对。
https://www.palantir.com/docs/foundry/ontology/document-processing/
原始标题：Document processing
一句话速览
把 PDF 变成可检索的知识：海量非结构化知识藏在 PDF 和图片里。这一篇讲怎样用 Pipeline Builder 把文档提取成文本、切成小块、嵌入成向量，最终让语义搜索能精准命中原文——还能把原 PDF…
这一篇在讲什么？
从 PDF / 图片里提取数据，喂给语义搜索。
本篇给出一份基础指南：用 Pipeline Builder 解析 PDF，做语义搜索；并建议在只要纯文本时， 如何在 Workshop 应用里把信息呈现出来。
核心思路一句话：上传 PDF → 提取文本 → 把文本分块 → 对每块做嵌入 → 把结果变成可检索的本体对象， 搜索命中后，把对应的原 PDF 渲染在侧边，供用户"回到源头"核对。
数据提取流水线（概览）
用 Pipeline Builder 解析 PDF 的四步。
要把 PDF 接入语义搜索，原文给出的导入与提取步骤是：
点开每一层看细节。这四步产出的是一份"每行一个文档、带 object_text 文本列"的数据集，后面分块就在这上面做。
为什么要"分块（chunking）"？
长文本切成小块，再分别嵌入，检索才准。
分块，就是把大段文本切成更小的文本段。原文强调它有两个关键好处：
Chunk string 板卡的四个参数
在 Pipeline Builder 里用 Chunk string 板配置分块；把下面的参数拖到正确解释。
分块由 Pipeline Builder 里的 Chunk string 板完成。加好板后，要配置这几个参数：
点每个参数右边的按钮选解释，答完自动给反馈。
分块示例拆解（无代码）
用 Pipeline Builder 把一行文档变成多行 chunk。
原文用一个最简例子演示：一个两行数据集，列是 object_id 和 object_text。
| object_id | object_text |
|---|---|
| abc | gold ring lost |
| xyz | fast cars zoom |
逐步发生了什么
chunks，是 object_text 被切出的数组。例：["gold","ring","lost"]。文档建议每块约 256 字符、overlap 约 20 字符。{position, element}。abc_0），并删掉多余列。最终得到的表里，每行是一个 chunk，带 object_id（用于关联）、新主键 chunk_id、以及要嵌入的 chunk 文本：
| object_id | chunk | chunk_id | embedding |
|---|---|---|---|
| abc | gold | abc_0 | [-0.7, …, 0.4] |
| abc | ring | abc_1 | [0.6, …, -0.2] |
| abc | lost | abc_2 | [-0.8, …, 0.9] |
| xyz | fast | xyz_0 | [0.3, …, -0.5] |
动手演示：一份文档从上传到可检索
点"运行下一步"，看 pipeline 如何一步步把 PDF 变成可语义检索的对象。
从"上传 PDF"到"可检索"，共 8 步。点"运行下一步"逐步推进。
一页带走
延伸阅读 · 相关页面
按主题横向跳转，不必顺着目录一篇篇读。
常见问题速答 · FAQ
关于「把 PDF 变成可检索的知识」，读者最常问的几个问题。