打造自己的RAG解析大模型：简单高效的跨页表格合并方案

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;line-height: normal;text-align: center;background-color: rgb(255, 255, 255);visibility: visible;box-sizing: border-box !important;overflow-wrap: break-word !important;">

---

在构建 RAG 知识库时，PDF文档中的表格跨页现象是一个常见挑战。传统方法依赖复杂的逻辑来判断和合并表格，而更简单、高效的方案可以通过 chunk 的存储和上下文管理来解决。

两种表格合并算法

两种算法都基于版面识别判断法。

前提：正确识别版面并去除每页的页眉、页脚。

1. 合并后存储为一个chunk

判断当前页最后一个元素和下一页第一个元素的类型：

• 如果两者均为 表格 类型，则认为是跨页表格的延续。

• 将两页的表格合并成一个完整表格，存储为一个 chunk。

示例代码：

def merge_cross_page_tables(tables_per_page):  merged_tables = []  temp_table = None
 forpage_num, tables inenumerate(tables_per_page):   fortable in tables:     iftemp_table: # 上一页存在未合并的表格        temp_table += table # 合并表格内容        merged_tables.append({"page": page_num,"table": temp_table})        temp_table = None     else:        temp_table = table   iftemp_table: # 表格延续至下一页     continue returnmerged_tables

2. 基于分块与描述同步法（推荐）

将跨页表格的两部分分别提取，并生成独立的 chunk，一般第一个表格的描述信息就是第二页表格的描述信息，需要特殊处理就可以实现跨页。

• 前一页：表格 X（第1部分）

• 下一页：表格 X（延续部分），前页描述：表格 X（第1部分）

这种方法无需实时合并表格，通过 LLM 在检索时合并上下文中的表格 chunk，完美解决跨页问题。

示例代码：

importpdfplumber
defextract_tables_as_chunks(pdf_path):  chunks = []  prev_table_desc =""  table_counter =1
 withpdfplumber.open(pdf_path)aspdf:   forpage_num, pageinenumerate(pdf.pages):      tables = page.extract_tables()     fortableintables:       ifprev_table_desc:          desc =f"表格 {table_counter}（延续部分），前页描述：{prev_table_desc}"          prev_table_desc =""# 重置描述        else:          desc = f"表格 {table_counter}（第1部分）"          prev_table_desc = desc
        chunk = {"description": desc, "data": table, "page": page_num + 1}        chunks.append(chunk)      table_counter += 1
  return chunks

两种方案的对比

方法	实现复杂度	存储结构	检索合并方式
版面元素判断法，合并	中等	单个 chunk 存完整表格	不需要额外合并
版面元素判断法，分块与描述同步法（推荐）	简单	多个 chunk	描述增强关联性 LLM 上下文自动合并输出

RAG 系统中的应用

存储：将跨页表格分为多个 chunk 存储，确保数据完整。

检索：用户查询时，RAG 系统会同时检索到表格的多个 chunk。

生成：LLM 根据表格的描述和数据自动合并，输出完整表格内容。

优势总结

• 无需复杂合并逻辑：分块与描述法实现简单，逻辑清晰。

• 上下文管理优异：LLM 自然合并表格内容，生成高质量输出。
• 高效处理跨页表格：解决了表格拆分与合并难题，极大提升知识库构建效率。