AI读完PDF,为什么可能把跨页表格拆错?

一份PDF里的表格在第一页写了表头，数据到了第二页继续。

人打开文件时，很自然地知道后半页还是同一张表。可当工具先把PDF拆成一页页内容，再交给AI回答问题时，这个关系不一定还在。

文字可能都读出来了，列也大致还在，但原本的一条记录被切成两段：前半段留在第一页末尾，后半段到了第二页开头。接下来，AI面对的已经不是原表，而是两块看起来各自独立的数据。

PDF读完了，不等于表格关系保住了。

问题可能发生在AI回答之前

PDF更像一张排好版的页面，而不是天然规整的数据库表。

解析工具通常要先判断哪些文字属于同一行、哪一格对应哪一列、第二页开头是新表还是上一页的继续。重复表头、空白单元格、合并单元格、页眉页脚和跨页续行，都会让这一步变难。

Docling项目的一项公开Issue记录了具体复现：一个跨页表格被拆成多个独立表格。在后续公开样本中，第二页开头其实是上一条记录的续文，却被标成了表头。Issue讨论也明确限定在对应版本和处理流程，并没有证明所有PDF解析器都会这样。

另一个GraphRAG Toolkit Issue则展示了更基础的情况：当时两种PDF读取路径主要使用页面文字读取，表格会变成不保留行列关系的文本片段。这个Issue后来关闭，也只能说明该工具链当时记录的问题，不能当作今天所有工具的共同表现。

为什么看起来完整，答案仍可能错位

跨页表格出问题时，最容易出现三种错觉。

第一，字都在。用户搜索关键词，能找到对应文字，于是以为内容没有丢失。但“文字存在”和“这段文字属于哪一行、哪一列”是两件事。

第二，第二页也有表头。有的原文件会重复打印表头，这是正确提示；有的抽取结果却会把一条续行误标成表头。如果不回看页面，就很难分辨。

第三，AI给出了流畅答案。它可能把两段文字重新拼成一个听起来合理的解释，但这不能证明拼接关系来自原文件。

专业文档基准也说明了为什么不能只看最终答案。XL-DocBench保留了1519个经专家核验的问题，其中1103个需要多页证据，556个涉及表格、图表或图片。这不是普通PDF的失败率，只说明在长专业文档里，多页证据和结构化内容本来就是独立难点。

GDP.pdf研究则使用100个经过筛选的专业PDF问题和17个模型，专门关注表格对齐、图表、脚注和空间关系等问题。因为题目是为挑战专业文档理解而选，不能拿它的结果代表日常PDF平均表现。

我会把核查点放在“翻页处”

如果答案依赖跨页表格，最有效的检查不是再问一次AI，而是回到页面边界：

1. 看原始页面：同时打开上一页末尾和下一页开头，不只看抽取后的纯文本。
2. 找连续关系：核对表名、列数、列位置、记录编号，以及第二页第一行是否在续写上一页。
3. 处理重复表头：确认它是原文件真正重复的表头，还是解析器把数据行误认成表头。
4. 保留页码证据：让每条关键数据能回到具体页码和表格位置。
5. 抽查答案对应行：金额、日期、条件和备注要落在同一条原始记录上，不能只确认关键词都出现过。

如果工具把表格拆开，后处理有时可以按相同列数、位置和表名尝试合并。但这只是候选规则。两张相邻、结构相似的表也可能不是同一张，自动合并仍需复核。

不要只问“PDF读完了吗”

更具体的问题应该是：相关文字是否读到，行列关系是否保留，跨页续行是否接回原记录，答案能否定位到原始页面。

这套检查不能保证所有复杂PDF都被正确解析。扫描件质量、OCR、合并单元格和图表布局还会带来其他问题。

但它至少能避免一个常见误判：看到AI读出了很多文字，就把“读到内容”当成“读对结构”。