Skip to content

功能:增加跨页表格合并检测诊断 - #50

Closed
kernelvale wants to merge 1 commit into
myhloli:mainfrom
kernelvale:feat/table-merge-diagnostics
Closed

kernelvale wants to merge 1 commit into
myhloli:mainfrom
kernelvale:feat/table-merge-diagnostics

Conversation

@kernelvale

Copy link
Copy Markdown

动机

跨页表格检测目前通过布尔返回值和提前返回跳过候选。调用方如果不阅读实现,就无法判断表格未合并是由页边界阻断、缺少续表标题、宽度不兼容、脚注冲突还是表格结构不符造成的。

修改内容

  • 新增 TableMergeRejection 和不可变的 TableMergeDecision,提供不包含论文正文的结构化诊断。
  • 为 merge_table() 新增可选的 on_decision 回调,报告页码、可用的表格块索引、拒绝原因和边界阻断信息。
  • can_merge_tables() 继续作为同一组有序检查的布尔封装;未传回调时,默认行为保持不变。
  • 明确记录诊断仅覆盖续表检测,不代表后续渲染器一定能够合并表格内容。

兼容性影响(可选)

无。回调为可选项,默认检测和标记行为不变,不增加序列化诊断字段,也不修改文档协议。

使用场景(可选)

集成方可以在不记录表格正文的情况下,向用户解释续表被拒绝的原因,或统计文档语料中的检测情况。回调同时提供成功决策和被拒绝的页面对。

检查清单

提交前:

  • Ruff 检查和格式检查均通过。
  • 回归测试覆盖成功页面、标题、脚注、宽度、表格结构、页边界、非法页面、非法表格和非法回调。
  • 修改已由完整单元测试套件覆盖,包括公开 API 清单检查。
  • 已在 docs/JSON_PROTOCOL.md 中说明回调约定和仅覆盖检测的范围。

验证结果:

  • 完整测试:14,576 项通过,14 项跳过。
  • 使用 MinerU 生成的页面对回放验证,分别观察到 continuation_caption_required、incompatible_table_widths 和 boundary_blocked 三种明确诊断。
  • 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 验证诊断边界,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。

目前没有将具体检测原因提升为上层回调的计划。现有 bool 判定已经足够表达续表关系是否成立;内容能否安全拼接,继续由渲染阶段负责。因此,这里不增加公开的诊断类型和回调接口。

另外,main 已在 6e7fed37 中统一了续表前驱约定,并分离关系判定与已确认关系的内容拼接,修正了前驱选择不一致、重复进行身份检查所导致的合并歧义和多页断链问题。

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