文字识别率再高，表格抽出来也可能用不了

摘要：

文档抽取能不能直接用，往往取决于表格结构有没有留住。跨页续表、合并单元格、无线表是三类典型的丢结构难点，本文拆解各自成因，并对照解析输出与公开准确率说明怎么把结构保下来。

一、为什么文字识别率高不代表抽取可用

评估文档抽取时，一个常见的误区是拿"文字识别率"当合格线。字认得准，只是前半程；真正决定抽取结果能不能直接用下去的，是这些字有没有带着自己的结构和关系一起被输出。

把一张表格的例子拆开看就很清楚。表头写着"数量""单价""金额"，数据行写着"120""36.5""4380"。单看这些数字，识别率再高也读不出业务含义——数值只有和列名绑在一起才有意义。一旦列与值的对应关系丢了，下游拿到的就是一堆"看起来对、用不上"的文本，仍然需要人工重新对位。

三类表格常常在这种"绑关系"的环节出问题：跨页续表、合并单元格、无线表。它们共同的特点是，图片看上去人能读懂，但对机器来说，结构的来源不在文字本身，而在版面。文字识别率高的方案，在这三类表格上同样可能把结构丢掉。

具体到业务后果，可以分三层看：一是字段串位，金额跑到数量列；二是主体重复，同一个供应商在十几行里各出现一次，聚合时被重复计数；三是上下文断裂，续表的后半截找不到自己的表头和业务主体。这三层问题，都不是换一个识别率更高的模型就能自动解决的。

二、三类表格各自难在哪

2.1 跨页续表：表头在第一页，数据翻到了第二页

一份几十行的对账单或装箱单，表头通常只出现在第一页，数据行从第一页一直排到第三页，中间还可能插入一行"以下空白"或"续表"字样。

难点在于，第二页、第三页的数据行在版面上是"没有名字"的。如果处理逻辑是逐页独立解析，第二页出来的就只有一串数字，谁属于哪一列无从判断。更麻烦的是，页码之间的行数不是整数关系：第一页有 23 行，第二页排到第 47 行，任何按固定行数切分的做法都会错位。

要让续表可用，处理时需要把跨页的表格识别为同一张表，并把表头的列语义延续到后续页面。这要求方案本身具备版面级判断能力，而不是把每页当成一张独立图片处理。

2.2 合并单元格：一个值管着好几行

合并单元格在中文单据里极为普遍。一张费用清单里，"部门"列可能只在第一行写一次，后面五行的格子是空的，靠合并居中表示"同上"；"合计"行则可能横跨全部列。

这里的难点是双向的。一方面，如果照搬版面上看到的文字，那么后五行读出来就是空值，下游往数据库里写的时候，这五行就丢了归属主体；另一方面，如果把合并的单元格简单展开、把"技术部"机械地复制到后五行，又会丢失"这几行原本属于同一个合并块"这一信息，后续做统计时可能被误判为五个独立部门。

合理的输出，既要补全逻辑值，也要保留"这是一个合并单元格"的结构线索。纯文字层面的识别给不出这层信息，它需要的是对版面结构的还原。

2.3 无线表：没有框线，靠对齐关系判断

无线表连表格线都没有，列与列的边界完全靠文字的对齐方式来暗示：金额靠右、数量居中、品名左对齐，列宽也长短不一。

对有框线的表格，"线在哪"就是列边界；对无线表，这个依据消失了。版面里只剩下文字块的位置关系。如果只按阅读顺序把文字连成一串，一行里"品名 + 规格 + 数量 + 单价 + 金额"就会被揉成一段连续文本，列与列之间的边界随之人间蒸发。而这类表在单据里恰恰不少——很多系统的打印模板为了美观，会刻意去掉框线。

判断无线表的关键，在于借助坐标与对齐规律重建列结构，而不是依赖可见的线条。这也解释了为什么"看起来简单的一张表"，在抽取环节反而是硬骨头。

三、这三类表格各自靠什么把结构留住

上面这三类表格，要解决的都是同一件事：把版面结构信息一路带到输出结果里。多模态解析（文档版）提供带阅读顺序、带层级结构、带图片资源的解析能力，正好对应这三类表格对版面依据的需求。

对应关系可以拆开看。跨页续表靠的是层级结构与阅读顺序：层级结构保留表头与明细的归属关系，阅读顺序让跨页的数据行延续同一套列语义，而不是每页各自成表、后半截找不到自己的表头。合并单元格靠的是层级结构：合并块的归属关系被作为结构线索保留，下游既能补全逻辑值，也知道这几行原本同属一个合并块，不会被误判为多个独立主体。无线表靠的是坐标与表格切片：TaskType 取切片表格识别（3）时，表格被当作独立的识别对象，结合坐标与对齐规律重建列边界，而不是被正文阅读顺序揉成一段连续文本。

输出格式上，ResultType 支持 json（1）、markdown（2）、xml（3）以及三者合并输出（9），需要程序处理就取 JSON，需要交给下游阅读或再加工就取 Markdown。解析结果返回 zip 压缩包，内含 .md、.json 与 images 文件夹，images 文件夹把版面中的图与表以图片形式一并带出，遇到结构存疑的行可以回溯原始版面核对。坐标侧提供是否返回坐标的开关，需要精确定位版面元素时可以打开。EnableSubImg 是子图解析开关，用于处理版面中的子图结构。

需要说明的是，多模态解析解决的是"把结构留住"，而把结构里的字段稳定抽出来，还要靠文档抽取侧的能力。文档抽取（多模态版）基于视觉语言大模型，不依赖固定模板，支持不限定版式场景抽取，覆盖多语种票据、提单、运单、进出口报关单、装箱单、过磅单、采购单等物流单据，制式卡证票据识别精度 97%，复杂场景达 95%。长文档场景，文档抽取（Agent 版）支持通过字段维度 Prompt 调优适配未知版式，支持最高 50 页长文档的稳定抽取，并提供实时与异步两种模型形态；文档抽取（多模态 Pro 版）面向强推理场景，目前覆盖复杂磅单与收发货单抽取，更多场景支持定制咨询。

四、这三类表格在真实单据上的表现

结构能力最终要落到具体单据上看效果。下面这批物流与财务单据，正是跨页、合并格、无线表最常出现的场景：对账单有跨页续表，报关单有密集的合并与嵌套，磅单有大量明细行。下表列出文档抽取（多模态版）在这些单据上的公开准确率，该能力按次计量：

五、规格与计费口径

结构能力的可用性还要回到规格边界。多模态解析（文档版）支持 PDF、Word、PPT、Excel、Markdown、TXT、图片、WPS 八类文件格式，其中 PDF、Word、PPT 支持 150M 且 300 页以内，Excel 与 TXT 支持 10M 以内，图片文件支持 70M 以内，单次调用最多 300 页，默认并发 5。文档抽取各版本对图片或 PDF 的输入要求是 Base64 编码后不超过 10M、分辨率建议 600×800 以上、图片下载时间不超过 3 秒。

计量口径按能力区分：多模态解析（文档版）按页，后付费 0.08 元/页；文档抽取（多模态版）与文档抽取（多模态 Pro 版）按次；文档抽取（Agent 版）按页。同一份几百页的对账单，走整份解析与走逐页抽取，成本口径完全不同，选型时要把页数分布一起算进去。

六、总结

回到那段"数字没有列名就没有意义"的起点：文档抽取的质量，最终体现在输出结果能不能直接进入下游流程。文字识别率高只是入场券，跨页、合并格、无线表这三类结构过得去，抽取结果才真正可用。如果正在为这类单据做选型，可以先拿几份结构较复杂的样本跑一轮真实调用，看看结构到底有没有留住——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，用免费额度就够完成这轮验证，不必一上来就付费；需要核算投入时，可对照 文档智能特惠活动 的折扣档位：多模态解析（文档版）新用户首单低至 5 折、不限新老用户低至 6 折，按页数选规格更划算。