这个品类的数据长什么样
化学制药研报的数据来源包括公开券商医药行业研报、国家药监局CDE公示文档、药企研发管线公告、临床试验注册数据、专利公开文献、药典标准文件。更新节奏随企业公告发布、临床试验节点推进、行业研报上线及专利公开周期调整。文档多为混合格式，包含多列表格、化学结构式图片、纯文本段落与结构化数据块。字段涵盖药物通用名、化学名、靶点名称、IC50/EC50值、分子量、分子式、临床试验阶段、适应症范围及数据溯源标识，单位多采用专业计量标准如nM、μM。
这些特征在「文档解析与分块」这一环带来什么约束
混合格式的文档结构要求解析环节支持多列表格结构化提取与化学结构式识别，避免出现列数据错位或结构式无法识别的问题。专业单位与术语的多样性要求解析后保留原始标识，防止单位转换导致专业数据失真。文档同时包含长研发背景段落与短专业数据块，分块策略需兼顾上下文连贯性与数据颗粒度，避免破坏专业数据的关联逻辑。部分文档为扫描版PDF，要求OCR环节适配医药专业术语，降低术语识别错误率。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
parseOcrEnable | 开启 | 化学制药研报常包含扫描版PDF与化学结构式图片，OCR可提取图片内的专业文本与结构式内容 |
parseMultiTable | 开启并启用多列合并解析 | 研报多采用多列表格展示管线或理化参数，可避免列数据错位 |
分段长度 | 800–1200 字符 | 平衡专业段落的上下文连贯性与数据颗粒度，避免拆分关联的研发数据块 |
分段重叠量 | 100–150 字符 | 保留跨分块的专业术语上下文，避免术语被拆分导致语义断裂 |
parseChemStructEnable | 开启 | 研报中的化学结构式需单独识别并关联至对应文本块，确保检索时可匹配结构式相关内容 |
parseFileTimeoutSeconds | 600 秒 | 长文档解析需充足时间处理多格式混合内容，避免解析超时 |
本页给出的参数取值均为常规建议，用于确定配置的起点。实际取值受材料形态、数据量与业务规则影响，具体问题需具体分析，建议在自有样本上实测后再定。
容易做错的三处
- 现象：多列管线表格解析后出现列数据错位、字段合并错误。原因：未启用多列表格解析配置，默认解析逻辑仅适配单列表格排版。
- 现象：上传含化学结构式的PDF后，解析结果未包含结构式对应的文本描述或图片关联信息。原因：未开启化学结构式识别与图片文本关联配置，仅提取纯文本段落。
- 现象：解析大型研报PDF时返回解析失败，日志显示状态码408的超时错误。原因：未调整
parseFileTimeoutSeconds配置，默认超时时长不足以处理多格式混合的长文档。
怎么确认配好了
- 上传单份包含多列管线表格与化学结构式的测试PDF，核对解析结果中的表格结构完整性与结构式识别情况。
- 查看解析后的分块内容，确认专业单位未被转换或丢失，且关联的研发数据未被拆分至不同分块。
- 上传单份长文档测试，确认解析过程未出现超时报错，且分块逻辑符合预设配置。
- 检查解析结果中的图片关联信息，确认内嵌结构式图片与对应文本块正确绑定。
问题素材取自公开社区提问（2026-09-11 去重 4,834 条）。文中的配置项名称与取值区间需以所用版本的实际界面与文档为准；本页核验日 2026-09-14，当时的最新发布版本为 FastGPT v4.17.0。