企业官网建设流程全解析

简介：这份2021款广汽埃安AION S Plus使用手册电子版面向该车型车主与驾驶人员，提供官方用户操作图示与驾驶指南，帮助快速熟悉车辆功能、规范日常用车与养护流程。压缩包内共1个PDF文件，约6.53MB，为广汽埃安原厂手册的完整电子文档，含前言、用户须知及图文对照的操作说明，可离线查阅或打印备用。手册内容覆盖绑定车辆与APP远程设置、智能钥匙与蓝牙钥匙激活、车门与行李箱开启等基础操作，也系统讲解安全带、安全气囊、儿童座椅与ISOFIX/LATCH接口等安全规范，以及座椅、车窗、方向盘、空调、无线充电等配置的调节方式。多媒体与故障排除部分则给出常见问题的排查思路，并附维修保养记录参考，便于车主对照实车自查。目前已有893人学习下载，适合新车用户、二手车买家及汽车爱好者参考。

1. 一本 AION S Plus 车主手册，为什么搜不到你想找的那句话

在 2021款广汽埃安AION S Plus 的使用手册电子版里按 Ctrl+F 搜「胎压」，命中的多半是「胎压监测系统报警」这类正文，写着建议值的数字却躺在轮胎规格表里，或压在车门标签示意图旁边；搜「保险丝」更典型，正文只留一句「请查阅保险丝对照表」，表本身是跨页的排布图。

这不是阅读器的问题，是车主车辆说明书的组织方式决定的：驾驶指南大量使用编号图示，用户操作图示的说明文字与图上序号分离，参数集中在表格，页码还分物理页与印刷页两套。把它当成一次文档解析任务来做，反而最快。

下面按摸版面体质、抽图示与表格、建可分页回溯的检索、做质量校验推进，适合做售后知识库、车机问答和汽修系统集成的开发者，也适合只想存一份离线速查表在手机里的车主。

2. 解析 AION S Plus 使用手册 PDF 的版面体质：先判断哪些页能直接抽文本

2.1 用 pdfinfo 和 pdffonts 三分钟判定是文字版还是扫描版

不同渠道流出的同一份手册，体质可能完全不同。官方渠道的电子版通常是排版软件生成的文字版 PDF，正文和多数字图标注都有文本层；而从打印件二次扫描、或从第三方拼版下来的文件，整页就是一张位图，文本层为空。这一步判错，后面所有抽取代码都白写。

先跑两条命令行工具，几秒钟就能定性：

# 总页数、是否加密、页面尺寸 pdfinfo 2021_AION_S_Plus_manual.pdf # 字体列表：emb 列为 yes 说明字体内嵌 pdffonts 2021_AION_S_Plus_manual.pdf | head -20

pdfinfo重点看Pages（总页数，这类手册通常两三百页起步）、Encrypted（若是 yes，PyMuPDF 打开时可能需要密码参数）、Page size（判断是否标准竖版 A4，横版通常是折页图）。pdffonts的输出来得更直接：如果打印出来是一张只有表头的空表，说明页面里没有任何字体对象，基本可以断定是纯扫描件，直接跳到第 3 章的 OCR 分支。

提示：有些手册把正文做成文字层，但把整车电路图、保险丝排布图整张转成 JPEG 塞进去。这种「半文字版」最容易骗过肉眼，必须做分页统计才能发现。

2.2 用 PyMuPDF 做分页体检：字符数、图片数、矢量对象数

判断页面类型不能只看整本 PDF，要逐页统计三个指标：可抽取字符数、内嵌图片数量、矢量绘图对象数量。前两个好理解，第三个get_drawings()是关键——文字版手册里的操作图示往往是矢量线稿加文字标注，矢量对象多说明这页是图，但只要字符数不低，标注文字依然能直接抽出来，不必上 OCR。

import fitz # PyMuPDF doc = fitz.open("2021_AION_S_Plus_manual.pdf") stats = [] for pno in range(doc.page_count): page = doc[pno] # 纯文本模式，速度最快，够用 text = page.get_text("text") chars = len(text.strip()) imgs = page.get_images(full=True) # 内嵌位图数量 vectors = len(page.get_drawings()) # 矢量线条/填充对象数量 stat = { "page": pno + 1, "chars": chars, "imgs": len(imgs), "vectors": vectors, # 位图面积占比：判断是否整页就是一张扫描图 "img_ratio": round( sum((i[2] * i[3]) for i in imgs) / (page.rect.width * page.rect.height), 3 ) if imgs else 0.0, } stats.append(stat) doc.close() for s in stats[:15]: print(s)

这段代码输出的是后续所有决策的依据。chars是空白剔除后的字符数，注意get_text("text")会把页眉页脚的「广汽埃安 AION S Plus 使用手册」也算进去，所以后面判定阈值要留出余量；img_ratio用图片像素面积除以页面面积，超过 0.8 基本就是整页扫描；vectors在两三百以上的页面，多半是带引出线的结构图或电路图。

跑完把结果落成 CSV，按chars升序看一遍，再随机抽 20 页人工核对，分类规则就稳了。

2.3 抽取目录树，给每一页挂上章节路径

手册的价值一半在目录。检索「保养周期」时，返回一段孤立文字远不如返回「第 7 章 保养与维护 > 7.3 定期保养项目」有用。PDF 的目录树用get_toc()一次拿全：

import fitz doc = fitz.open("2021_AION_S_Plus_manual.pdf") toc = doc.get_toc(simple=False) # [层级, 标题, 页码(1-based), 目标信息] for level, title, page, _ in toc[:12]: print(f"{' ' * (level - 1)}{title} -> p{page}")

level是层级深度（1 为章、2 为节、3 为小节），page是 1 起始的物理页码。接下来构造「页 → 章节路径」的映射：把 toc 按页排序，对任意一页，找最后一个起始页不大于它的条目，把从该条目向上到根节点的标题用>连起来，就是这一页的section_path。

后面每个 chunk、每条表格记录、每一页 OCR 结果，都要带上这个字段。没有目录的手册（少见但存在），退而求其次的做法是统计正文字号，取出现次数最多的字号为正文，比它大 2pt 以上的文本块按 y 坐标顺序当作标题，手工确认一遍层级关系。这份工作只做一次，收益贯穿整条链路。

3. 图示标注与参数表格的结构化：把驾驶指南里的图变成可查询字段

3.1 操作图示页的标注配对：优先用坐标，不要先上 OCR

用户操作图示的典型版式是：左半边一张仪表台或充电口线稿，线条上引出一串带圈数字；右半边是「① 充电口盖开启开关」这样的条目列表。文字版手册里，左右两侧的序号和条目本身都是可抽取文本，真正要做的只是配对。

做法是按页宽中线切左右栏，各自按 y 坐标排序，再用正则从条目里抠出序号，最后按序号回填到图上的标注坐标。

import re import fitz CIRCLED = "①②③④⑤⑥⑦⑧⑨⑩⑪⑫⑬⑭⑮" PAT = re.compile(r"^[（(]?\s*(?P<idx>\d{1,2}|[" + CIRCLED + r"])\s*[)）]?\s*(?P<label>.+)$") page = fitz.open("manual.pdf")[41] blocks = [b for b in page.get_text("blocks") if b[4].strip()] mid_x = page.rect.width / 2 left = sorted([b for b in blocks if b[2] <= mid_x], key=lambda b: b[1]) right = sorted([b for b in blocks if b[0] > mid_x], key=lambda b: b[1]) pairs = [] for b in right: line = b[4].strip().replace("\n", "") m = PAT.match(line) if not m: continue idx = m.group("idx") # 带圈字符换算成阿拉伯数字，统一编号口径 if idx in CIRCLED: idx = str(CIRCLED.index(idx) + 1) # 在左栏找同号标注的坐标，作为图上的位置锚点 anchor = next((b2 for b2 in left if b2[4].strip().strip("()（）") == idx), None) pairs.append({ "figure_id": f"p{page.number + 1}-fig", "index": idx, "label": m.group("label").strip(), "anchor_bbox": list(anchor[:4]) if anchor else None, "page": page.number + 1, }) print(pairs[:5])

anchor_bbox是把说明条目反查回图上位置的关键，答「充电口盖开关在哪」时可以直接给出图上坐标做高亮。注意两点局限：一是部分手册用引出线而非数字，anchor会取到 None，此时保留条目文本即可，不要强行配对；二是跨栏排版（一页两栏正文）会让mid_x切分失效，稳妥做法是先跑一遍page.get_text("dict")，统计文本块 x 起点的分布，双峰才判定为双栏。

3.2 扫描页与低质量插图的 OCR 预处理参数

扫描页走 OCR 之前必须先做图像预处理，直接拿原图喂识别引擎，小字号中文的错字率会高到没法用。常见做法是灰度化、二倍上采样、Otsu 自动二值化三步：

import cv2 img = cv2.imread("page_012.png") # 建议按 300dpi 渲染 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 小字号放大两倍再识别，中文笔画粘连会明显减少 up = cv2.resize(gray, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC) # Otsu 自动找阈值，比固定 127 更适应扫描件的明暗差异 _, bw = cv2.threshold(up, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) cv2.imwrite("page_012_pre.png", bw)

命令行识别用 Tesseract 的话，版面模式要选对：

# psm 6：假定整页是一块统一排版的文本，适合连续正文 tesseract page_012_pre.png stdout -l chi_sim+eng --psm 6 --oem 1 # psm 4：假定是可变宽度的多栏/表格，适合参数表和对照表 tesseract page_012_pre.png stdout -l chi_sim+eng --psm 4 --oem 1

--oem 1表示只用 LSTM 引擎，中文场景比默认的混合模式稳定；--psm是版面切分假设，选错的代价是把整页识别成一行乱码。表格页用 4，正文页用 6，先各试一页肉眼比一遍再批量跑。如果对准确率要求更高，可以换成 PaddleOCR 的中文检测识别模型，检测框对表格线更友好，代价是依赖体积和推理时间。

注意：OCR 出来的数字必须打标记。轮胎胎压、保险丝安培数、螺栓扭矩这类数值一旦识别错一位，后果比漏抽严重得多，后面第 5 章的锚点校验就是专门拦这类错误的。

3.3 三类参数表格的处理差异：胎压表、保险丝对照表、保养周期表

手册里的表格不是一种东西，处理策略要分开。

胎压表通常行少列短，单位写在表头或单元格里（kPa 和 psi 混排），并且按车型配置分列。抽取时要把单位从单元格里剥离出来做归一化，否则「240」和「35」会被当成同一量纲的两个值。

保险丝对照表是行数最多、最容易跨页的一类，三列结构通常是「编号 / 额定电流 / 保护部件」。跨页时下一页会重复表头，需要识别并去重，否则会出现一条编号为「编号」的脏数据。去重规则取表头相似度：把本页首行与上一页表头逐格比对，相同格数占比超过 80% 就丢弃。

保养周期表的坑在空单元格。它首列是项目，后续列是里程或时间区间，空单元格的含义是「该项目在此周期不需要做」，而不是「数据缺失」。抽取时必须区分null（真的没有）和"—"（不需要），否则下游做提醒逻辑时会误报。

import pdfplumber def header_similarity(a, b): if not a or not b or len(a) != len(b): return 0.0 same = sum(1 for x, y in zip(a, b) if (x or "").strip() == (y or "").strip()) return same / len(a) def extract_cross_page_tables(path, pages): prev_header, rows = None, [] with pdfplumber.open(path) as pdf: for pno in pages: page = pdf.pages[pno] tables = page.extract_tables({ "vertical_strategy": "lines", # 有线框的表格直接用线检测 "horizontal_strategy": "lines", "snap_tolerance": 3, # 像素级吸附，容忍扫描噪声 "join_tolerance": 3, "intersection_tolerance": 5, # 交叉点容差，抗线条断裂 }) for tb in tables: if not tb or len(tb) < 2: continue head, body = tb[0], tb[1:] if header_similarity(head, prev_header) > 0.8: body = tb[1:] # 续表：丢掉重复表头 else: prev_header = head for r in body: rows.append({"header": prev_header, "cells": r, "page": pno + 1}) return rows

vertical_strategy和horizontal_strategy设成lines表示只认显式表格线，适合手册里绝大多数带框表格；如果表格没有外框（纯靠空白对齐），改成"text"并按列间距调min_words_vertical。三个容差参数是抗扫描噪声的，snap_tolerance越小越严格，扫描件建议放到 3～5。

3.4 统一的块级 schema：后续检索只认一种结构

抽完文本、配对、表格、OCR 之后，全部归一化成同一种块结构，落成 JSONL，每行一个块：

table_json和text同时保留是刻意的：前者给「保险丝 15 号是哪个部件」这类精确查询用，后者给向量检索用。只留一种，另一类查询就会退化。

4. 给 AION S Plus 手册建检索：分块、页码回溯和数字兜底

4.1 按目录树分块，别按固定字数切

固定 500 字滑窗在这类手册上效果很差：一个操作说明被从中间切断，上半段讲「将充电枪插入充电口」，下半段讲「听到锁止声后松开」，两段都不完整。正确做法是先按section_path切，同一小节内如果超过 500 字再按段落切，相邻块保留 1 段重叠。

表格块单独成块，不参与字数切分，并且要把表头和章节路径拼成前缀。原因很实际：胎压表里某一行只写了「240」，向量模型不可能知道这是 kPa 还是 psi；拼上「第 6 章 轮胎与车轮 > 6.2 轮胎气压 | 规格 215/50 R17 | 前轮 后轮 | 单位 kPa」之后，检索「前轮胎压多少」才可能命中。

def build_chunks(blocks, max_chars=500, overlap_paras=1): chunks = [] for b in blocks: if b["block_type"] in ("table", "figure"): # 表格/图示整块保留，表头转成前缀文本 prefix = f'{b["section_path"]} | {b.get("caption", "")}' chunks.append({ "chunk_id": b["block_id"], "content": prefix + "\n" + b["text"], "meta": {k: b[k] for k in ("block_type", "page_physical", "section_path")}, }) continue paras = [p for p in b["text"].split("\n") if p.strip()] buf = "" for p in paras: if len(buf) + len(p) > max_chars and buf: chunks.append({ "chunk_id": f'{b["block_id"]}-{len(chunks)}', "content": buf.strip(), "meta": {"block_type": "text", "page_physical": b["page_physical"], "section_path": b["section_path"]}, }) tail = paras[max(0, paras.index(p) - overlap_paras):paras.index(p)] buf = "\n".join(tail) + "\n" + p else: buf += "\n" + p if buf.strip(): chunks.append({ "chunk_id": f'{b["block_id"]}-{len(chunks)}', "content": buf.strip(), "meta": {"block_type": "text", "page_physical": b["page_physical"], "section_path": b["section_path"]}, }) return chunks

max_chars取 400～600 之间比较稳，中文句向量模型的有效窗口普遍够用；overlap_paras保留 1 段即可，多了会让同一条答案在多个 chunk 里重复召回。

4.2 元数据与检索表结构：页码回溯是刚需

车主问「这个灯亮了怎么办」，回答里必须能给出页码，否则等于没答。元数据设计要围绕可回溯来定，用 SQLite 存就够，不必上重型组件：

CREATE TABLE chunks ( chunk_id TEXT PRIMARY KEY, content TEXT NOT NULL, -- 供向量化与全文检索的正文 block_type TEXT NOT NULL, -- text / table / figure / ocr page_physical INTEGER NOT NULL, -- 物理页，定位 PDF 用 page_printed INTEGER, -- 印刷页，念给用户翻书用 section_path TEXT NOT NULL, manual_ver TEXT NOT NULL, -- 手册版本标识，用于多版本共存 source_hash TEXT NOT NULL ); -- 关键词兜底用：FTS5 建全文索引，数字和专有名词靠它 CREATE VIRTUAL TABLE chunks_fts USING fts5( content, chunk_id UNINDEXED, tokenize = 'unicode61' ); CREATE INDEX idx_chunks_page ON chunks(page_physical); CREATE INDEX idx_chunks_type ON chunks(block_type);

manual_ver这一列容易被忽略。同一款车不同年款的手册会更新，把版本写进元数据，检索时按版本过滤，才不会把 2021 款的参数答成别的年款。source_hash用于比对两个版本之间哪些块变了，做增量更新时只重算变化的部分。

4.3 数字与单位抽取：让「胎压多少」命中精确值

参数类问题不能只靠向量相似度。向量检索对「胎压多少」和「胎压警告灯」的区分能力很弱，必须加一层正则提取，把「数值 + 单位」建成独立索引，命中时直接返回精确值。

import re NUM_UNIT = re.compile( r"(?P<val>\d+(?:\.\d+)?)\s*(?P<unit>kPa|KPa|bar|psi|PSI|kW|kWh|" r"V|A|Ah|km|℃|°C|mm|L|N·m|N\.m)" ) # 统一到基准单位，方便跨页比较和区间判断 TO_BASE = { "kpa": ("pressure", 1.0), "bar": ("pressure", 100.0), "psi": ("pressure", 6.894757), "kw": ("power", 1.0), "kwh": ("energy", 1.0), "km": ("distance", 1.0), "mm": ("length", 1.0), } def extract_values(text): out = [] for m in NUM_UNIT.finditer(text): val = float(m.group("val")) key = m.group("unit").lower() dim, factor = TO_BASE.get(key, (None, 1.0)) if dim is None: continue out.append({ "raw": m.group(0), "value": val, "unit": m.group("unit"), "dim": dim, "base": round(val * factor, 3), # 统一基准值 }) return out

归一化到基准值之后，「2.4 bar」「240 kPa」「35 psi」会被识别成同一个量纲下的可比值，做区间判断（前后轮胎压是否一致）才不会出错。注意℃的匹配要放在°C之后，避免同一段文字被重复计数；N·m里的间隔号在不同 PDF 里可能是.或空格，所以两种写法都列进正则。

4.4 混合检索的最小实现：BM25 与向量结果做 RRF 融合

单靠向量，编号类查询（「15 号保险丝」）经常召不回对人；单靠 BM25，口语提问（「充电的时候能不能开空调」）又召不回。常见做法是两路各取前 20，用倒数排名融合（RRF）合并。

def rrf_fuse(vector_hits, bm25_hits, k=60, top_n=8): """两路召回按排名倒数相加，k 越大越平滑，一般取 60""" score = {} for rank, cid in enumerate(vector_hits): score[cid] = score.get(cid, 0) + 1 / (k + rank + 1) for rank, cid in enumerate(bm25_hits): score[cid] = score.get(cid, 0) + 1 / (k + rank + 1) return sorted(score.items(), key=lambda x: -x[1])[:top_n]

k取 60 是经验值，作用是压低头部排名的绝对优势，让两路召回都有机会进最终结果。融合之后再挂一层轻量重排（比如用交叉编码器对前 8 条打分重排），代价可控，命中率提升明显。最终回答模板里固定带上section_path和page_printed，用户能直接翻到对应页。

5. 进阶：用锚点用例校验抽取质量，并把物理页对齐到印刷页

5.1 建一组锚点断言，每次重跑都跑一遍

抽取链路改一点参数就可能悄悄崩掉，靠肉眼翻页检查不现实。做法是挑 15 到 20 个确定存在的事实做锚点，写成一跑就出结果的断言表。选择标准是：数值唯一、位置固定、跨页分布。

def run_anchors(chunks, cases): failed = [] for c in cases: hits = [k for k in chunks if c["section_kw"] in k["meta"]["section_path"] and k["meta"]["block_type"] == c["expect_type"]] if not hits: failed.append((c["id"], "no-hit")); continue blob = "\n".join(k["content"] for k in hits) if c.get("regex") and not re.search(c["regex"], blob): failed.append((c["id"], "regex-miss")) elif c.get("value_range"): vals = [v["base"] for v in extract_values(blob) if v["dim"] == c["value_range"][0]] if not any(c["value_range"][1] <= v <= c["value_range"][2] for v in vals): failed.append((c["id"], "range-miss")) return failed

断言表要在最初人工核对那 20 页时同步建起来，后面每次换 OCR 参数、换表格策略、换分块长度，跑一次就知道有没有回归。失败项直接定位到页，比在整个 PDF 里翻找快得多。

5.2 物理页与印刷页的偏移映射

PDF 里的第 1 页是封面，手册页脚印的可能是「1」，也可能是没有任何编号的扉页之后才开始计。检索结果给物理页，用户翻纸质手册或按页码输进阅读器时会对不上。映射关系很简单：偏移 = 物理页 - 印刷页，通常在目录之后固定下来。

检测方法是逐页正则抽页脚数字：

import re, fitz doc = fitz.open("manual.pdf") offsets = {} for pno in range(doc.page_count): page = doc[pno] # 只取页面底部 8% 区域的文本，避开正文 clip = fitz.Rect(0, page.rect.height * 0.92, page.rect.width, page.rect.height) tail = page.get_text("text", clip=clip) m = re.search(r"(?:^|\s)(\d{1,4})(?:\s|$)", tail) if m: printed = int(m.group(1)) offs = (pno + 1) - printed offsets[offs] = offsets.get(offs, 0) + 1 # 出现次数最多的偏移值即为整本手册的主偏移 main_offset = max(offsets.items(), key=lambda x: x[1])[0] print("主偏移 =", main_offset)

取众数而不是取第一个匹配值，是因为封面、插页、折页图可能带无关数字。算出main_offset之后写回page_printed = page_physical - main_offset，负数或超出总页数的判为无印刷页码，置为null。

这一步做完，检索结果里显示的页码就和手册页脚上的数字一致了，用户报「第 156 页那个警告灯」时，两边说的是同一页。

本文还有配套的精品资源，点击获取