必须切换为“textin大模型加速器”以自动过滤重复页眉页脚；历史文档需手动重解析并勾选该引擎，或通过acrobat预处理、dify正则清洗、tos直改json等方式清理。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要在火山引擎知识库中清理PDF或扫描件上传后产生的重复页眉页脚，避免同一份文档每页都提取出相同的“第X页”“机密”“©2025 XX公司”等冗余文本，导致后续RAG检索召回噪音大、摘要失真、问答结果错乱。这类问题在合同、财报、医疗报告单等长文档中尤为突出，且人工逐页编辑不可行。
确认是否已启用TextIn智能解析
进入火山引擎控制台→【AI开发】→【知识库】→选择对应知识库→点击【设置】→查看【文档解析方式】。若显示为“默认OCR”或“基础文本提取”，则页眉页脚必然被原样保留；【必须切换为“TextIn大模型加速器”】，这是唯一支持语义级区域识别与自动过滤的解析引擎。普通OCR只做像素切分，TextIn能识别“该区域在每页固定位置+内容高度一致+无业务字段关联”，从而标记为装饰性内容。
切换后，新上传文档会自动生效，但历史文档不会重新解析——这点务必记牢。
批量重解析已有文档
第一步：在知识库文档列表页，勾选需处理的文档（支持Ctrl多选或全选）→点击【更多操作】→选择【重新解析】；
第二步：弹窗中【务必勾选“使用TextIn大模型加速器”】，取消勾选“保留原始排版结构”（该选项会强制保留页眉页脚区块）；
第三步：点击【确认重解析】，等待状态变为“已完成”。单文档平均耗时12–45秒，取决于页数与图像质量。
注意：重解析会覆盖原文档的向量化索引，原有问答缓存将清空，但知识库ID和权限配置不变。
手动剔除顽固页眉页脚（针对扫描件）
方法一：上传前预处理
用Adobe Acrobat Pro打开PDF→【工具】→【组织页面】→【裁剪】→拖选每页顶部/底部固定区域→勾选“应用于所有页面”→保存。这一步直接从源文件物理切除，比AI过滤更彻底。
方法二：在Dify工作流中插入清洗节点
若你已在Dify中接入该知识库，可在工作流起始处添加一个“文本清洗”节点：输入为TextIn输出的Markdown，正则表达式填入^第\s*\d+\s*页$|^【机密】|^©\d{4}.*$，替换为空字符串。此操作对已入库但未重解析的文档也有效。
方法三：通过TOS直改原始解析结果
登录火山云TOS控制台→定位到知识库对应存储桶（路径通常为/knowledgebase/{kb_id}/parsed/）→找到目标文档的.json解析结果文件→下载→用VS Code打开→删除"header":{...}和"footer":{...}整个字段→重新上传覆盖。这一步绕过控制台，适合技术强但时间紧的场景。
