LangChain读取PDF：入门RAG必学的文档加载与切分实战

很多朋友第一次接触 RAG检索增强生成都会卡在怎么把本地文档喂给大模型这一步。网上教程一抓一大把但一上来就让你配置向量数据库、调 embedding 模型实际跑通后你还是不知道每个环节在干嘛。这篇我就聚焦 RAG 链路里最基础也最容易被忽视的一环——用 LangChain 读取 PDF 文档把从 PDF 加载、文本切分、向量化到检索问答的完整过程拆开揉碎讲清楚。内容不算难但涉及的知识点不少适合刚入门 RAG、想跑通第一个本地知识库 demo 的开发者参考。1. 为什么 RAG 入门第一站都选 PDF先看清整个链路先不急着写代码。RAG 的完整流程说穿了就四步加载文档、切分文本、向量化存储、检索问答。PDF 几乎成了所有人练手的第一选择不是因为 PDF 格式简单恰恰相反PDF 是所有常见文档格式里结构最乱、最不友好的一个但正因为乱才能逼你把每一步的原理搞清楚。1.1 你处理的不是 PDF而是 PDF 里的文本层很多人第一次加载 PDF 就懵了为什么有的 PDF 加载出来是一段段带排版格式的文本有的 PDF 加载出来乱七八糟连换行都丢了还有的 PDF 根本提取不出文字答案藏在 PDF 文件的内部结构里。PDF 本质上是一个排版描述文件它记录的