MinerU：PDF 里那张跨页表格，是怎么被救回

PDF 里根本没有表格这回事。存下来的只有字符、坐标和几条画线命令，表格全靠人眼从对齐关系里脑补出来。

跨页表最麻烦。每页坐标系各算各的，中间还夹着页眉页脚。解析器一看，以为这是两张独立的表。数据一断，对账直接抓瞎。

为了把断表接回去，MinerU 先设了四道守卫。看有没有续表标记、上一张有没有脚注、宽度差没差超一成、列数对不对得上。前三道一票否决，宁可漏合也绝不误合。

规则能管结构，但管不了字被切断的情况。比如上一页末尾是“华”，下一页开头是“南”。这时候就专门把边界两行拎出来，交给大模型判断要不要拼。而且只问这一件事，任务窄了模型才不容易胡编乱造。

不过这功能默认是关的。因为一开就得调外部接口，文档内容会流出本机。内部合同病历最好别开，公开论文手册再开也不迟。