在搭建RAG知识库时，PDF文档中的表格跨页问题，想必不少开发者都深有体会。传统思路往往需要编写繁琐的合并逻辑，判断边界、处理中断，操作十分复杂。其实有一种更简洁高效的解决方案——利用Chunk的存储策略与上下文管理机制，即可轻松化解这一难题。

两种跨页表格合并算法

两种方案均基于版面识别判断法，前提是能够准确识别页面结构并去除每页的页眉页脚。具体如何实现？请继续往下阅读。

方案一：合并后存储为单一Chunk

核心逻辑非常直观：判断当前页最后一个元素与下一页第一个元素的类型。若两者均为表格，则视为跨页表格的延续，将两页表格合并为一个完整表格，并作为一个Chunk存储。

示例代码：

def merge_cross_page_tables(tables_per_page):
    merged_tables = []
    temp_table = None

    for page_num, tables in enumerate(tables_per_page):
        for table in tables:
            if temp_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
        if temp_table:  # 表格延续至下一页
            continue
    return merged_tables

该方法实现复杂度中等，存储结构为单个Chunk存放完整表格，检索时无需额外合并。但逻辑上仍存在隐患——若表格中间夹杂其他元素，判断将变得复杂。

方案二：基于分块与描述同步法（推荐）

换个思路：让表格按页面独立存储，但通过描述信息将它们串联起来。即将跨页表格的两部分分别提取，各自生成独立的Chunk。关键在于：第一个表格的描述信息与第二页表格的描述信息保持一致，无需额外处理即可自动建立跨页关联。

• 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）

这样，无需实时合并表格，LLM在检索时借助上下文中的描述字段，自然将两个Chunk合并输出，完美解决跨页问题。

示例代码：

import pdfplumber

def extract_tables_as_chunks(pdf_path):
    chunks = []
    prev_table_desc = ""
    table_counter = 1

    with pdfplumber.open(pdf_path) as pdf:
        for page_num, page in enumerate(pdf.pages):
            tables = page.extract_tables()
            for table in tables:
                if prev_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

两种方案对比分析

从对比中可清晰看出，方案二在实现复杂度与灵活性方面均更具优势。

在RAG系统中的应用实践

存储阶段，将跨页表格拆分为多个Chunk，确保数据完整性。当用户发起查询时，RAG系统会同时检索到该表格的多个Chunk。最终，LLM根据表格的描述信息与数据内容自动合并，输出完整的表格结果。整个流程无需额外合并逻辑，完全依靠上下文管理机制。

核心优势总结

• 无需复杂合并逻辑：分块与描述法实现简单、逻辑清晰，大幅减少调试工作量。
• 上下文管理能力突出：LLM可自然合并表格内容，生成高质量输出，几乎不需要后处理。
• 高效处理跨页表格：完美解决表格拆分与合并难题，显著提升知识库构建效率。

总体而言，方案二以最小的改动成本，解决了跨页表格这一长久难题，值得在实际项目中优先采用。