跨页表格一旦被截断，RAG 就可能答非所问：文档解析这一步，才是知识库不胡说的前提

摘要：

跨页表格被拦腰截断，列名与数值就会失联，RAG 再怎么优化排序也会答非所问。整份解析入口与分页参数，是保住表格结构、让知识库不胡说的前提。

一、表格是文档里信息密度最高、也最容易碎的地方

一份财报、一份招股说明书、一份保险条款，真正被反复问到的内容，往往不在正文段落里，而在表格里：费率对照、责任免除清单、分年度指标。表格的特点是信息密度极高，一个单元格脱离表头就几乎没有意义——"12 个月"这个数值，只有配上"保障期间"这一列才知道它是什么。

问题在于，表格也是解析环节最容易碎掉的部分。正文段落被切断，读者还能靠上下文猜出大概；表格被切断，列名和数值就随之失联，剩下的数字没有任何语义。知识库在这种碎片上做检索，召回的往往是"看起来相关"的一串数字，模型据此生成的答案自然答非所问。

工程侧排查这类问题时常陷入误区：先怀疑 embedding 模型不行，再怀疑切分策略不合理，最后才发现入库的文本里根本没有表格结构——列名在上一页，数值在下一页，中间还隔着一个页眉。

二、表格结构在解析环节碎掉的三种典型情况

2.1 情况一：续表被当成两张独立的表

长表格跨页时，第二页通常会重复表头或者只保留数据行。如果解析按页独立处理，第二页的表格就成了一张没有表头的表。切块之后，第一块带着完整列名却只有前半段数据，第二块带着后半段数据却没有列名。

检索"某产品在第几年的费率是多少"，命中的很可能是第二块——系统召回了数字，却不知道这些数字属于哪一列，答案会对不上号。

2.2 情况二：合并单元格塌陷

合并单元格在财务报表与合同条款里极为常见：一个跨三行的"保险责任"单元格，对应着下面三行不同的赔付比例。解析如果只按可见文本行输出，合并单元格的归属关系就会塌陷，三行数据全部丢失共同的行头。

这类错误的隐蔽之处在于，文本本身是完整的、字一个没错，但语义结构是错的。人工抽查不容易发现，只有用户问到具体条款时才会暴露。

2.3 情况三：无线表被读成散乱文本

没有边框线的表格靠对齐和留白表达结构。解析若不还原表格，只会输出一串用空格隔开的文字，列与列之间的边界全靠下游猜。这类内容进知识库后很难被准确召回，因为向量化时列名与数值的关联已经被稀释。

三种情况里，只有第一种与跨页直接相关，后两种在单页表格上同样会发生。但在真实的长文档里，它们通常是叠加出现的：一张带合并单元格的跨页续表，既要跨页续接表头，又要保住行头归属，任何一处没还原，检索拿到的数值都对不上列。这也是为什么排查工作不应该从检索端开始——问题的源头在解析输出里。

三、先选对入口：整份解析与按页抽取，落点不同

很多团队用的是单页识别接口，逐页调用再在业务侧拼接。这条路在纯文本段落上问题不大，在跨页表格上却行不通——拼接动作发生在页面之间，而表格的连续性判断需要跨页的上下文。

腾讯云文档智能在这件事上提供了两条不同的入口，选哪条取决于要处理的是整份文档还是指定页范围。

判断标准很直接：目标是"把整份文档变成可检索的结构化内容"，走整份解析入口，跨页表格由解析过程统一处理；目标是"从多页非结构化文档里按字段把信息抽出来"，走支持起止页的抽取入口，让模型在指定页范围内做上下文关联的推理。两种入口的计量单位都是页，成本模型一致，但能力落点不同。

四、保住表格结构的两个动作

4.1 让表格结构进得了切块流程

判断表格有没有被保住，看的不是文字有没有识别出来，而是续表的表头与数据行有没有被还原成同一张表。多模态解析（文档版）提供表格还原能力，跨页续表在输出里是一张完整的表，而不是按页切开的两张。

对知识库而言，Markdown 形态的表格保留了行列关系，切块时可以把整张表作为一个完整单元处理；对业务系统而言，JSON 形态便于按字段取值与落库。一次调用同时产出两种形态，下游各取所需，不必为了不同链路重复解析。

4.2 用页码范围控制解析粒度

PageRange 参数用于指定需要识别的页码范围。对超长文档，建议按章节切分页码范围分批调用，而不是按固定页数机械分段——按章节切分能保证一张跨页表格整体落在同一次调用内，从源头避免续表被拆成两半。

这一条对成本也有影响：按页计费的模式下，重复解析同一批页面的代价是实打实的页数消耗，粒度规划得越合理，返工越少。

五、成本、调用节奏与结果落盘

建库阶段的成本主要由页数决定，调用节奏则由并发与接口频率决定，两者都需要在开工前算清楚。

结果返回方式也值得提前设计：多模态解析的结果以 zip 压缩包返回，ResultUrl 是临时下载地址，有效期 30 分钟。批量建库应在解析完成后立即下载落盘，把后续切分、向量化都建立在本地文件上，而不是依赖半小时后失效的链接。

六、总结

表格碎掉的问题，解法不在检索端，而在入库端。把入口选对、让表格以结构而非文本进入切块流程、把页码粒度规划好，这三步做完，知识库才有"不胡说"的基础；反过来，指望靠 rerank 或者换 embedding 模型去弥补丢失的表头，投入产出比极低。

判断标准也很简单：拿一份你最熟悉的长文档跑一轮解析，直接比对输出里的跨页表格是否表头完整、合并单元格是否保留了归属关系。多模态解析（文档版）首次开通即发放 1000 页免费额度、一年内有效，用免费额度就能把这一轮跨页表格验证跑完，不必一上来就付费；确认解析效果后再按需放量，可关注 文档智能特惠活动 的低折扣档位。