《PDF解析工程实录》第 20 章｜跨页表格合并：克制增强，而不是拍脑袋联表

---

点此进入系列专栏

---

如果你在真实业务里解析过 PDF 表格，一定见过这种情况：

• 第一页的表格在页尾被截断
• 下一页紧接着是“明显像续表”的内容
• 表头不再重复
• 列宽、边框、对齐方式几乎一模一样

特别是在比如财报等场景下，这十分常见：

图：跨页表格示例

人一眼就懂：

这是同一个表格。

但对系统来说，这是一个高收益、也高风险的时刻。

---

跨页表格不是“基础能力”，而是工程上的增强项

先说一个容易被误解的点。

我并不认为：

只有 Lattice 才“配”做跨页表格合并
也不认为其他方案“绝对不行”

真实原因其实更朴素：

我目前只在 Lattice 表格上，找到了足够稳定、可解释、误伤成本可控的合并信号。

这是一种基于可靠性的工程选择，而不是能力上的断言。所以跨页合并在我的系统里，被明确定位为：

对“已经高度可信的表格结果”的一种克制增强，而不是兜底修复。

---

为什么 Lattice 的结果更“适合”做跨页合并

不是因为它更聪明，而是因为它给了你这些东西：

• 明确的表格外框
• 稳定的左右边界
• 可枚举的列分割线
• 可验证的行列网格

跨页合并真正依赖的不是“文本连续性”，而是：

几何一致性在分页处是否还能延续。

而这一点，恰恰是有物理线框的表格，最擅长提供的信号。

---

先把一个前提说清楚：页眉页脚必须先裁掉

在尝试任何跨页判断之前，我都会先做一件事：

• 去掉页脚（当前页）
• 去掉页眉（下一页）

原因很简单，页眉页脚是分页装饰，不是内容，它们会：

• 干扰“是否在页尾/页头”的判断
• 干扰边框连续性的判断

只有当页面被裁到“只剩正文区域”之后，跨页逻辑才有意义。

---

什么叫“页尾表格 / 页头表格”

这一步如果定义不清，后面全是灾难。

页尾表格的判定条件

一个 Lattice 表格，被认为是页尾表格，需要同时满足：

1. 它是页面最下面的表格对象
2. 其 bbox 触达页面底部的一定比例区域

• 例如：bbox.bottom ≤ 页面高度的最后 20%

也就是说：

它不只是“在下面”，而是“已经贴近分页边界”。

---

页头表格的判定条件

类似地，一个表格被认为是页头表格：

• 是页面最上面的表格对象
• bbox.top 触达页面顶部一定比例区域

---

并排表格的兼容性

现实中，经常会出现：

• 页尾有两个并排的小表格
• 下一页页头也有两个并排的续表

所以“是不是页尾/页头表格”，不能只看纵向位置。

我额外引入了一个非常实用的几何信号：

如果表格的上边框（页头）或下边框（页尾）在几何上几乎是水平的、连续的，那么它就具备跨页候选资格。

这样做的结果是：

• 可以在同一页尾部，同时识别多个可跨页表格
• 下一页也可以对应位置逐一尝试合并
• 而不是强行“一页只能合一个”

---

连续多页跨页合并：不是一次性，而是循环推进

在工程实现里，我的逻辑是：

只要还能合，就继续合。

具体流程是：

1. 在当前页，找到所有满足条件的“页尾 Lattice 表格”
2. 对每一个表格：去下一页，寻找在页头部、位置匹配的表格
3. 如果满足合并条件，则合并，得到一个“更长的表格”
4. 如果这个合并后的表格，仍然位于页尾，继续看下一页
5. 直到某一页无法再匹配为止

这是一个逐页推进、可中断的过程，而不是一次性把多页拍成一个整体。

---

跨页合并的几何硬条件

在原有条件基础上，我这里明确补充一条：

① 上下页表格的宽度（PDF 单位）几乎一致

这条很重要，而且必须在 PDF 坐标系 下判断，而不是像素空间。

abs(w1 - w2) / max(w1, w2) < ε

原因是：

• 渲染 DPI 会变
• 像素尺度会变
• 但 PDF 用户空间下的宽度，才是真正稳定的版式信号

---

② 左右边框对齐

• x0 接近
• x1 接近

这是“是不是同一张表”的最强信号之一。

---

③（强信号）列数一致，列边界一一对应

• Lattice 已经给了你列网格

• 你完全可以：

  • 比对列数
  • 比对每一列的 x 边界

如果这条成立：

跨页合并的可信度会非常高。

---

跨页合并时，要不要“合并单元格”？

这是一个非常容易被忽略，但在工程里非常真实的问题。

现实场景是：

• 上一页最后一行，有横向合并的单元格
• 下一页第一行，对应位置是空的
• 但线框结构是连续的

人类会自然理解为：

这是一个被分页切开的单元格。

---

我的工程判断

由于通过代码规则匹配语义的方式判断是否跨页合并单元格不靠谱，我目前采用的是一个纯几何 + 空值规则，如果同时满足：

1. 后一页表格第一行第一个单元格是空的
2. 前后页表格的网格线能一一对齐
   • 包括：
     • 普通单元格
     • 横向合并单元格（span）上下也能对齐
3. 没有出现列数错位

那么：

直接合并前一页最后一行单元格 和 后一页第一行单元格。

这里有一个很重要的工程立场：

• 我不尝试理解语义
• 不判断“这是不是一句话”
• 只基于：
  • 线框
  • 空值
  • 结构连续性

在实践中，这个规则的正确率远高于直觉预期，而且失败成本可控。

---

合并失败的原则：什么都不发生

这一点和你前面章节里的思想是一致的：

失败不产生副作用。

具体表现为：

• 任一条件不满足 → 不合并
• 合并过程中出现异常 → 回退到原始表格
• 不做“部分合并”
• 不做“猜一半”

跨页合并是增强，不是必需。

---

小结：跨页表格，是“可持续工程”的体现

这一章真正想表达的不是“表格怎么合”，而是：

• 跨页合并不是靠胆子大
• 而是靠：
  • 几何信号足够强
  • 判断足够克制
  • 失败路径足够干净

你不是在“把表拼长”，你是在判断：

分页有没有真的把一个结构切断。

而一旦你能把这件事做得稳，你会发现：

• 两页合并并不难
• 连续多页也只是循环
• 真正难的是：知道什么时候该停

——这，才是工程。