难点:图纸不是"文档"
DWG/DXF 是矢量格式,文字是分散实体;扫描版图纸又是图片。所以图纸问答需要解析 + OCR + 结构化三步,不能只当 PDF 处理。
Step 1:DXF 解析——提取图层与文字
pip install ezdxf
import ezdxf
doc = ezdxf.readfile("A2-1037.dxf")
msp = doc.modelspace()
# 提取文字实体(标题栏、标注)
texts = []
for e in msp.query("TEXT MTEXT"):
texts.append({"layer": e.dxf.layer, "text": e.dxf.text})
# 提取尺寸标注
dims = [(d.dxf.layer, d.dxf.text or "") for d in msp.query("DIMENSION")]
print(texts[:5], dims[:5])Step 2:扫描图纸 OCR
pip install paddleocr
from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang="ch")
result = ocr.ocr("scan-drawing.png", cls=True)
for line in result[0]:
text = line[1][0]
conf = line[1][1]
if conf > 0.8: # 低置信度丢弃
print(text)Step 3:结构化入库 + 向量检索
把解析出的文字按"图号-图层-内容"组织成片段,连同整图信息一起入库:
# 构造可检索片段
chunks = [
{"content": f"图号 A2-1037 图层{TEXT.layer} 内容:{TEXT.text}",
"metadata": {"drawing": "A2-1037", "layer": TEXT.layer}}
for TEXT in texts
]
# 用 bge 系列模型向量化后入库(同 tech-1 流程)
# 检索时用户问"孔位尺寸",命中对应标注片段并带出图号来源Step 4:跨图关联与版本控制
① 从标题栏提取图号,建立图纸索引;
② 装配图明细表指向零件图,问答自动带出关联图;
③ 同一图号多版本按日期排序,默认引用最新版;
④ 引用必须标注图号/视图位置,方便人工复核。
不同 CAD 软件的 DXF 细节有差异;涉密图纸请全程在私有化环境处理。