版面、表格与阅读顺序

本节目标

理解为什么文本全对仍可能“文档不可用”，并为段落、表格和阅读顺序建立结构化表示。

两栏论文若按坐标逐行交替拼接，会把左栏第一行接到右栏第一行。页眉页脚若重复进入每页正文，会污染检索。版面分析（layout analysis）先把页面划分为标题、段落、表格、图片、公式等区域，再在区域内排序。

基本排序策略可以从几何规则起步：按栏分组，再按 top 排序。但跨栏标题、侧边注和竖排文字会破坏简单规则。工程上应保留：

把表格仅转为制表符文本会丢失合并单元格和表头层级。建议输出：表格边界、行列数量、每个单元格坐标、row_span/col_span、单元格文本与来源框。表格评测至少分三层：

“结构正确但一个金额错”和“文字全对但列错位”是不同故障，修复路径也不同。

面向 RAG 或抽取 Agent 时，先保存表格 JSON（表、行、列、单元格、span、表头路径与坐标），再按问题把相关单元格渲染为文本/Markdown。若先把整表压平为一段文本再切分，行列归属、单位和表头很容易被错误拼接；每个检索片段还应能回到 page 与 cell ID。

页面 -> 版面区域 -> 区域内文字/表格识别 -> 阅读顺序 -> Markdown/JSON 导出

PaddleOCR 官方 PP-StructureV3 文档展示了布局块、阅读顺序和表格结果等输出字段；字段会随版本变化，因此应在适配层转成自己的稳定契约。