В этом материале
Объединённые заголовки, унаследованные единицы измерения и сноски должны оставаться связанными со значениями таблицы при превращении строк в поисковые доказательства.
Таблицы PDF должны сохранять связи заголовков и область объединённых ячеек до превращения в подтверждения RAG. Экспорт только видимого текста способен приписать значению неверную единицу, вариант продукта или условие работы, даже если каждый отдельный символ был извлечён совершенно правильно из исходной страницы.
Сохранить структурированный объект таблицы
Официальный пример экспорта Docling показывает извлечение и сохранение таблиц. Модель документа хранит структурную информацию и происхождение. Это представление сохраняют перед преобразованием в прозу или Markdown. Объединённый заголовок способен относиться к нескольким столбцам, а боковой — к нескольким строкам. Чтение ячеек простым списком теряет отношения и создаёт неоднозначные отдельные значения, которые нельзя уверенно использовать в ответе без возвращения к оригинальной таблице.
Подготовить пример объединённых заголовков
Возьмём таблицу характеристик с вариантами продукта и заголовком над несколькими условиями эксплуатации. Добавим единицу в заголовке и сноску, ограничивающую одну строку. До индексации сравним структуру с изображением источника. Вопрос должен требовать значение вместе с условием, чтобы нахождения соседнего числа было недостаточно для прохождения теста. Такой набор проверяет восстановление отношений, а не только успешное распознавание цифр в документе или наличие таблицы в экспорте.
| Особенность источника | Что должно сохраниться |
|---|---|
| Объединённый заголовок варианта | Подчинённые ему столбцы |
| Единица внутри заголовка | Единица каждого производного значения |
| Повтор заголовка на странице | Продолжение, а не новая строка данных |
| Маркер сноски | Условие соответствующего значения |
Отличить продолжение от дублирования
Длинная таблица может повторять заголовок после разрыва страницы. Слепое удаление повторяющихся строк способно стереть содержательную запись, а сохранение всех заголовков как данных засоряет поиск. Сначала сохраняют идентичность таблицы и страницы, затем проверяют совпадение столбцов продолжения. Нельзя объединять разные таблицы лишь из-за похожих заголовков: подписи и границы разделов могут задавать разные условия, применимость и смысл внешне одинаковых числовых значений внутри отдельных таблиц.
Сравнить способы извлечения
Справочник Page PyMuPDF описывает другой интерфейс работы с таблицами. Разные извлекатели рассматривают как кандидатов с различающимися результатами, а не взаимозаменяемые источники истины. На одной странице сравнивают границы строк, объединения, пустые ячейки и сноски. Пустота способна означать наследуемую область, отсутствие измерения или намеренно незаполненное значение. Автоматическое заполнение рискует создать характеристику, которой автор документа вообще не сообщал, поэтому смысл таких ячеек проверяют отдельно.
Создать самостоятельное подтверждение строки
Найденная строка должна нести название таблицы, вариант, применимые заголовки, единицу, условие и место в источнике. Структурированный оригинал оставляют доступным для разбора неоднозначностей. Проверяют вопросы, различающие соседние варианты и исключения. Неразрешённые объединения отмечают вместо молчаливого угадывания их области. Подтверждение получается длиннее голого текста ячеек, но сохраняет отношения, необходимые для обоснованного ответа и осмысленной ссылки на конкретную страницу исходного документа, где эти отношения можно проверить.
Связанные материалы: GPU-конвейер OCR для PDF: как оценить сервер на 1000 страниц; PaddleOCR с GPU: проверка установки и качества на своих документах.