Skip to content

功能:Structured Content 支持跨页续表合并 - #48

Closed
kernelvale wants to merge 1 commit into
myhloli:mainfrom
kernelvale:fix/structured-content-continued-tables
Closed

kernelvale wants to merge 1 commit into
myhloli:mainfrom
kernelvale:fix/structured-content-continued-tables

Conversation

@kernelvale

Copy link
Copy Markdown

动机

Structured Content 目前即使遇到带有 continues_prev=True 标记的表格,也会保留各个物理页面上的表格片段。需要逻辑表格的调用方只能先转换成其他格式,或者重新实现已有的合并逻辑。同时,按页消费结果的调用方仍需要保留原有的不合并表示。

修改内容

  • 为 StructuredContentRenderOptions 和 render_structured_content() 新增 merge_continued_tables 选项,默认值为 False。
  • 复用共享的续表渲染规划逻辑,合并已标记的续表、去除重复表头并保留末页脚注。
  • 新行为仅作用于表格:跨页正文和列表仍保留原有表示,来源页面不会丢失,输入 MiddleJson 不会被修改。
  • 覆盖直接渲染接口和统一渲染选项,并补充选项文档。

兼容性影响(可选)

无。默认输出保持不变。需要逻辑表格的调用方可通过 merge_continued_tables=True 显式启用。

使用场景(可选)

文档调用方需要把已标记的跨页表格作为一个逻辑表格消费时,可以直接启用该选项;其他调用方仍可保留物理页面表示,无需各自实现表格合并逻辑。

检查清单

提交前:

  • Ruff 检查和格式检查均通过。
  • 已添加续表回归测试,覆盖重复表头、末页脚注、跨页正文不变和输入不可变性。
  • 修改已由完整单元测试套件覆盖。
  • 已在 docs/JSON_PROTOCOL.md 中补充选项说明。

验证结果:

  • 完整测试:14,565 项通过,14 项跳过。
  • 使用 MinerU 生成的 MiddleJson 回放验证:已标记续表正确合并,输入 JSON 未发生变化。
  • 三个修复组合后成功构建 wheel,独立安装后的公开 API 冒烟测试通过。

提交后:

  • 已使用 MinerU 生成的 MiddleJson 验证渲染边界,未向仓库添加原论文或附件。
  • CLA 已签署,且本 PR 的所有提交者均已签署 CLA。(本仓库未提供 CLA 流程。)

myhloli commented Nov 16, 2026

Copy link
Copy Markdown
Owner

感谢提交这个 PR。

目前 Structured Content 的定位是按页组织的 JSON 输出,因此跨页表格保留为各个物理页上的片段,是预期的设计。Markdown、HTML、DOCX 等面向连续阅读的输出,则在 render 阶段对已确认的跨页续表进行合并。

这里继续保留上述职责划分,不为按页 JSON 增加续表合并选项。如果需要跨页表格合并后的 JSON 输出,可以基于 MiddleJson 实现自定义 renderer,并根据自己的需求定义输出结构和拼接行为。

因此,这个 PR 按当前设计关闭。

@myhloli myhloli closed this Nov 16, 2026
Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment

Labels

None yet

Projects

None yet

Development

Successfully merging this pull request may close these issues.

2 participants