Skip to content

修复:支持前置续表标题识别 - #49

Closed
kernelvale wants to merge 1 commit into
myhloli:mainfrom
kernelvale:fix/leading-table-continuation-captions
Closed

kernelvale wants to merge 1 commit into
myhloli:mainfrom
kernelvale:fix/leading-table-continuation-captions

Conversation

@kernelvale

Copy link
Copy Markdown

动机

跨页表格检测目前支持位于标题末尾的续表标记,但无法识别 续表 2-1 ……、Continued table 2-1 …… 等常见前置形式。这些表格的宽度、列数和行结构可能已经满足合并条件,却仅因标题未识别而保持分段。

修改内容

  • 支持后面带 2-1、A1 等表号的前置 续表、续上表 和 Continued table。
  • 保留原有大小写归一化、全角字符归一化、后缀标记、行内标记及全部结构检查。
  • 添加中英文前置标题回归用例,覆盖有无空格的形式,并加入 续表说明、Continued table of contents 等相似普通文本负例。

兼容性影响(可选)

无 API 或协议变更。此前被拒绝的明确前置续表标题现在可以被标记并合并,其他标题、宽度和结构规则保持不变。

使用场景(可选)

中文和英文文档在表名前使用带编号的续表标题时,不再受特定后缀排版限制。

检查清单

提交前:

  • Ruff 检查和格式检查均通过。
  • 已添加正例和负例标题回归测试。
  • 修改已由完整单元测试套件覆盖。
  • 已更新规则文档字符串;无需修改公开 API 文档。

验证结果:

  • 完整测试:14,571 项通过,14 项跳过。
  • 使用两组 MinerU 生成的续表 MiddleJson 回放验证:两组表格均合并为单表,包含表头分别为 27 行和 21 行。
  • 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 验证表格后处理边界,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。已在 e039141a 中独立补充续表 caption 的前缀白名单,不限制表号格式。由于共享文本判定也参与正文提升 caption,本次仅扩展已归组 caption 的识别,避免扩大正文误判范围,因此关闭此 PR。

@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