从 PDF 到 FAISS 向量索引：构建本地 RAG 数据预处理流水线

【学习记录】从 PDF 到 FAISS 向量索引：构建本地 RAG 数据预处理流水线

在搭建本地 RAG（检索增强生成）系统时，第一步往往是将 PDF 文档转换为可检索的向量索引。然而，PDF 文件既有可直接提取文本的电子文档，也有扫描图片型的文档。本文基于 Python 实现了一套完整的流水线：自动判断文档类型，必要时调用 OCR，然后进行文本分块、向量化（使用中文嵌入模型）并构建 FAISS 索引。代码完全开源，可直接用于本地知识库的预处理。

---

📌 目录

1. 代码功能概述
2. 环境配置与依赖
3. 输入与输出
4. 核心逻辑解析
   • 4.1 PDF 文本提取与 OCR 回退
   • 4.2 文本分块
   • 4.3 向量化与 FAISS 索引构建
   • 4.4 索引持久化
5. 注意事项与优化建议
6. 使用示例：加载索引并查询
7. 总结

---

1️⃣ 代码功能概述

本代码实现了一个端到端的数据预处理流水线：

1. 读取 PDF 文件（支持文本型 PDF 和扫描图片型 PDF）。
2. 自动判断文本量，若少于 5000 字符则触发 OCR（光学字符识别）。
3. 将提取的文本切分成语义连贯的节点（chunk）。
4. 使用 HuggingFace 的中文嵌入模型（BAAI/bge-small-zh-v1.5）将每个节点向量化。
5. 构建 FAISS 索引（L2 距离），并持久化到本地磁盘。

最终产出一个可被直接加载的向量索引，供下游的语义搜索、问答系统使用。

---

2️⃣ 环境配置与依赖

Python 库依赖

pip install pdfplumber pytesseract pdf2image faiss-cpu llama_index transformers huggingface_hub

库	用途
pdfplumber	提取文本型 PDF 的文字内容
pytesseract	OCR 识别图片文字
pdf2image	将 PDF 页面转换为图像
faiss-cpu	高效的向量索引库
llama_index	文档管理、文本分块、向量索引封装
transformers	HuggingFace 嵌入模型的后端

系统依赖（必须安装）

组件	安装命令 (Ubuntu/Debian)	作用
Tesseract OCR	sudo apt install tesseract-ocr tesseract-ocr-chi-sim	OCR 引擎
Poppler	sudo apt install poppler-utils	提供 pdftoppm 命令，供 pdf2image 使用

对于 Windows 或 macOS，请参考官方文档安装对应版本。

---

3️⃣ 输入与输出

输入

• PDF_PATH：待处理的 PDF 文件路径（例如 ./data/y0664.pdf）。
• 配置参数：
  • CHUNK_SIZE = 512：每个文本块的最大字符数。
  • CHUNK_OVERLAP = 50：相邻块之间的重叠字符数。
  • EMBED_DIM = 512：嵌入向量维度（与模型 bge-small-zh 一致）。
  • INDEX_DIR = "./faiss_index"：索引保存目录。

输出

• 文本节点列表 （nodes）：每个节点包含一段文本和元数据，长度约 512 字符。
• FAISS 索引文件 ：vector_store.faiss
• LlamaIndex 元数据 ：保存在 INDEX_DIR 目录下（包括文档存储、索引结构等）。

生成的文件可用于后续的向量检索，例如：

query = "公司最新政策"
results = index.query(query, top_k=5)

---

4️⃣ 核心逻辑解析

4.1 PDF 文本提取与 OCR 回退

def extract_pdf(path):
    with pdfplumber.open(path) as pdf:
        return "\n".join(page.extract_text() or "" for page in pdf.pages)

raw_text = extract_pdf(PDF_PATH)
if len(raw_text) < 5000:          # 文本太少，判定为扫描件
    raw_text = ocr_pdf(PDF_PATH)

• extract_pdf 使用 pdfplumber 尝试提取文字层。
• 如果总字符数不足 5000（可根据文档长度调整阈值），则认为该 PDF 是扫描件或图片型，触发 OCR。
• OCR 流程：pdf2image.convert_from_path 将每页转为 PIL 图片，再调用 pytesseract.image_to_string 识别文字（语言包 chi_sim+eng）。

注意：OCR 非常耗时（每页约 1~3 秒），建议在后台处理，或对页数多的文档使用多进程。

4.2 文本分块

from llama_index.core.node_parser import SentenceSplitter

splitter = SentenceSplitter(chunk_size=CHUNK_SIZE, chunk_overlap=CHUNK_OVERLAP)
documents = [Document(text=raw_text)]
nodes = splitter.get_nodes_from_documents(documents)

• SentenceSplitter 会尽量在句子边界切分，避免切断语义。
• 重叠（chunk_overlap）可以防止关键信息正好落在两个块的边缘而被遗漏。

4.3 向量化与 FAISS 索引构建

from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.core import Settings, VectorStoreIndex, StorageContext
from llama_index.vector_stores.faiss import FaissVectorStore
import faiss

Settings.embed_model = HuggingFaceEmbedding(model_name="BAAI/bge-small-zh-v1.5", device="cpu")

faiss_index = faiss.IndexFlatL2(EMBED_DIM)
vector_store = FaissVectorStore(faiss_index=faiss_index)
storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex(nodes, storage_context=storage_context)

• IndexFlatL2 使用欧氏距离进行精确检索，适合百万级以下的向量。
• 如果数据量巨大（>100 万），可改用 IndexIVFFlat 加速。

4.4 索引持久化

storage_context.persist(persist_dir=INDEX_DIR)
faiss.write_index(faiss_index, os.path.join(INDEX_DIR, "vector_store.faiss"))

• persist 保存 LlamaIndex 的元数据（节点文本、文档存储等）。
• faiss.write_index 保存原生 FAISS 索引，方便直接加载到内存。

---

5️⃣ 注意事项与优化建议

问题	说明	解决方案
OCR 速度慢	每页需转为图片再识别，30 页文档约需 1 分钟	使用多进程（concurrent.futures）或仅对无文字页进行 OCR；升级到 GPU 版 Tesseract（较复杂）
内存消耗大	转图片 + OCR 可能占用数百 MB 内存	分批处理（convert_from_path(first_page, last_page)）
中文 OCR 准确率	默认 chi_sim 对印刷体较好，但对模糊图片有误差	提高图片 DPI（如 300）或使用更专业的 OCR（如 PaddleOCR）
FAISS 索引限制	IndexFlatL2 精确但速度随数据量线性增长	使用 IndexIVFFlat + IndexFlatL2 量化器；设置 nprobe 参数平衡精度/速度
模型推理速度	CPU 上 bge-small-zh 处理 1 万段文本约需 30 秒	使用 GPU 嵌入（device="cuda"）；或换用更轻量的 paraphrase-multilingual-MiniLM-L12-v2
目录覆盖风险	persist 会覆盖已有目录	每次运行前备份或使用时间戳命名目录

---

6️⃣ 使用示例：加载索引并查询

from llama_index.core import StorageContext, load_index_from_storage

# 加载已保存的索引
storage_context = StorageContext.from_defaults(persist_dir=INDEX_DIR)
index = load_index_from_storage(storage_context)

# 创建查询引擎
query_engine = index.as_query_engine(similarity_top_k=5)
response = query_engine.query("文档中提到了哪些技术规范？")
print(response)

此外，你也可以直接使用 FAISS 索引进行向量检索（不通过 LlamaIndex）：

import faiss
import numpy as np
from sentence_transformers import SentenceTransformer

embed_model = SentenceTransformer("BAAI/bge-small-zh-v1.5")
faiss_index = faiss.read_index(os.path.join(INDEX_DIR, "vector_store.faiss"))

query = "项目验收标准是什么？"
query_vec = embed_model.encode([query])
distances, indices = faiss_index.search(query_vec, k=5)

---

代码

build_index.py

import os
import pdfplumber
import pytesseract
from pdf2image import convert_from_path

from llama_index.core import (
    Document,
    VectorStoreIndex,
    StorageContext,
    Settings
)

from llama_index.core.node_parser import SentenceSplitter

from llama_index.embeddings.huggingface import (
    HuggingFaceEmbedding
)

from llama_index.vector_stores.faiss import (
    FaissVectorStore
)

import faiss

# ==================================================
# 配置
# ==================================================

PDF_PATH = "./data/y0664.pdf"

INDEX_DIR = "./storage/faiss_index"

EMBED_MODEL = "BAAI/bge-small-zh-v1.5"

EMBED_DIM = 512

CHUNK_SIZE = 512

CHUNK_OVERLAP = 50

os.makedirs(INDEX_DIR, exist_ok=True)

# ==================================================
# OCR
# ==================================================

def ocr_pdf(pdf_path):

    print("开始OCR...")

    images = convert_from_path(
        pdf_path,
        dpi=300
    )

    full_text = ""

    for i, img in enumerate(images):

        text = pytesseract.image_to_string(
            img,
            lang="chi_sim+eng"
        )

        print(
            f"第{i+1}页 OCR字符数:",
            len(text)
        )

        full_text += text + "\n"

    return full_text


# ==================================================
# PDF读取
# ==================================================

def extract_pdf(pdf_path):

    text = ""

    with pdfplumber.open(pdf_path) as pdf:

        for page in pdf.pages:

            page_text = page.extract_text()

            if page_text:

                text += page_text + "\n"

    return text


# ==================================================
# 主程序
# ==================================================

print("加载Embedding模型...")

Settings.embed_model = HuggingFaceEmbedding(
    model_name=EMBED_MODEL,
    device="cpu"
)

print("读取PDF...")

raw_text = extract_pdf(PDF_PATH)

print("PDF字符数:", len(raw_text))

if len(raw_text) < 5000:

    print("文本过少，自动OCR...")

    raw_text = ocr_pdf(PDF_PATH)

print("最终字符数:", len(raw_text))

documents = [
    Document(
        text=raw_text,
        metadata={
            "source": "YY/T0664-2020"
        }
    )
]

splitter = SentenceSplitter(
    chunk_size=CHUNK_SIZE,
    chunk_overlap=CHUNK_OVERLAP
)

nodes = splitter.get_nodes_from_documents(
    documents
)

print("节点数:", len(nodes))

# ==================================================
# 创建FAISS
# ==================================================

faiss_index = faiss.IndexFlatL2(
    EMBED_DIM
)

vector_store = FaissVectorStore(
    faiss_index=faiss_index
)

storage_context = StorageContext.from_defaults(
    vector_store=vector_store
)

print("构建索引...")

index = VectorStoreIndex(
    nodes,
    storage_context=storage_context
)

print("保存索引...")

storage_context.persist(
    persist_dir=INDEX_DIR
)

# 强制写出FAISS文件
faiss.write_index(
    faiss_index,
    os.path.join(
        INDEX_DIR,
        "vector_store.faiss"
    )
)

print("\n文件检查")

for f in os.listdir(INDEX_DIR):

    fp = os.path.join(INDEX_DIR, f)

    print(
        f,
        os.path.getsize(fp)
    )

print("\n完成")
print(os.path.abspath(INDEX_DIR))

7️⃣ 总结

本文提供了一个生产可用的 PDF → 向量索引流水线，具备以下亮点：

• ✅ 自动区分文本型 PDF 和扫描件，回退到 OCR。
• ✅ 支持中文嵌入（bge-small-zh），兼顾效果与速度。
• ✅ 基于 LlamaIndex 和 FAISS，代码简洁且易于扩展。
• ✅ 索引持久化，可重复加载使用。

你可以将此流水线集成到本地 RAG 系统中，作为知识库的预处理环节。下一步可以：

• 增加文件格式支持（如 DOCX、HTML）。
• 将 FAISS 索引迁移到更强大的向量数据库（如 Milvus、Qdrant）。
• 添加文档元数据（作者、时间）以支持过滤检索。

希望本文对你的项目有所帮助。欢迎在评论区分享你的实践经验！