跨页表格存在解析后的两个表的格式明显不一致问题

[feng4AI]

🔎 Search before asking | 提交之前请先搜索

• I have searched the MinerU Readme and found no similar bug report.
• I have searched the MinerU Issues and found no similar bug report.
• I have searched the MinerU Discussions and found no similar bug report.

🤖 Consult the online AI assistant for assistance | 在线 AI 助手咨询

• I have consulted the online AI assistant but was unable to obtain a solution to the issue.

Description of the bug | 错误描述

通过MinerU官网的在线解析demo，基于vlm模式开展上市公司年报解析，经仔细比对解析结果，发现存在如下明显bug
1、跨页表格被解析之后，没有被合并成一个真正完整的表格，这种现象多次出现，主要体现为以下两种形式：
a、以解析之后的两个表格紧挨的方式来呈现原文中的一个完整表格，但实际上应当被解析成一个完整表格才对；
b、原文中的跨页表格，在跨页前后存在着单元格内容折行时，所解析的跨页表格在存在折行的这一行上会被生成两行；
2、跨页表格被解析之后，跨页前后的两个表格的解析结果，在格式上存在明显错误，跨页前的表格解析格式为正确，而跨页后的那个表格的格式则少了一列。
3、目前表格的解析仍然只能溯源到整表，还不能溯源到cell级别，不利于比对解析结果的准确性。

How to reproduce the bug | 如何复现

1、在官网上传上市公司的年报，我所上传的年报名称为：2022年年度报告.pdf，该年报为金富科技股份有限公司的年报；
2、开始解析；
3、对比解析结果即可发现在表格解析上的上述bug。

Operating System Mode | 操作系统类型

Windows

Operating System Version| 操作系统版本

Windows11

Python version | Python 版本

3.13

Software version | 软件版本 (mineru --version)

<2.2.0

Backend name | 解析后端

vlm

Device mode | 设备模式

cuda

[dosubot]

Hi @feng4AI! I'm Dosu and I’m helping the MinerU team.

你反馈的跨页表格解析格式不一致、未能合并为完整表格、列数丢失等问题，在 MinerU 的 VLM 后端确实是已知问题，多个社区 issue 都有类似反馈。VLM 后端默认每页独立识别，跨页表格合并和格式一致性处理存在局限，尤其在遇到单元格折行、空列或复杂表头时，容易出现分裂为多个表、列数不一致、内容拆分为多行等现象相关讨论。

近期版本（2.2.0 及以上，推荐 2.5.0/2.6.0）已引入跨页表格自动合并功能，并优化了多列场景的合并效果。你可以通过升级 MinerU 到最新版，并确保环境变量 MINERU_TABLE_MERGE_ENABLE 为 true（默认开启），以获得更好的跨页表格合并体验PR #3820。但即使如此，部分复杂表格仍可能出现列丢失、格式错乱等问题，尤其是模型对空列、折行和表头的识别还不够完善issue #3613。

目前 VLM 后端仅支持表级溯源，尚未实现 cell 级溯源，无法直接比对每个单元格的解析准确性issue #3665。如需更细致的结构还原和参数调优，可尝试 pipeline 后端（--backend pipeline），并结合新版表格结构模型（如 wired_table_v2、slanetplus），或强制开启 OCR 模式（--method ocr），部分场景下能改善识别效果issue #3861。

如果升级后仍有问题，建议用后处理方式手动补全缺失列、合并分裂表格，并关注后续版本的优化进展。

To reply, just mention @dosu.

---

^{How did I do? Good | Irrelevant | Incorrect | Verbose | Hallucination | Report 🐛 | Other}    

[myhloli]

能上传一份源文件到这里供我们复测吗

[feng4AI]

可以的
以下就是我在MinerU官网测试时所用到的原始文件
2022年度报告.pdf

[myhloli]

我们自测了下，这个文档的跨页表合并符合预期的，2.6版本优化了跨页表合并功能，可能您使用的官网demo还是2.5的版本没有更新导致的

[feng4AI]

哦，那我在本地试试2.6版本的。那个官网demo啥时候可以升级到2.6呀？
另外，您这边测试的跨页表格合并，针对那种存在折行的跨页表格合并也是准确合并成一行了吗？

[feng4AI]

我用官网最新的2.6.3版本MinerU测试了之前暴露问题的同一个年报pdf，总体来说，发现跨页表格上的合并问题已经解决不少，但仍然有如下两类问题：
1、跨页表格解析之后，前一夜的表格格式和后一页的表格格式存在明显不一致问题，目前这类问题发现一次；
2、跨页表格若是因为存在折行导致的跨页，则合并之后，原始的折行依然会被识别成表格的两行，这类问题多次出现。

[myhloli]

可以把场景1的具体例子截图发一下，你说的场景2现在的方案暂时没有更好的方案解决，现在的合并效果是比较符合我们预期的。

[feng4AI]

场景1的截图如下哈：

[feng4AI]

跨页表格若是因为存在折行导致的跨页，则合并之后，原始的折行依然会被识别成表格的两行，这类问题多次出现
这个类型的bug，后续有计划要修复么？

[myhloli]

场景1的截图如下哈：

前表是7列布局，后表被解析成了6列布局，列数不同的表是不能合并的，符合算法预期

[myhloli]

跨页表格若是因为存在折行导致的跨页，则合并之后，原始的折行依然会被识别成表格的两行，这类问题多次出现 这个类型的bug，后续有计划要修复么？

单元格之间的合并比表与表的合并情况要复杂的多，目前暂不考虑支持

[feng4AI]

场景1的截图如下哈：

前表是7列布局，后表被解析成了6列布局，列数不同的表是不能合并的，符合算法预期

但这属于是一个解析bug，正确的结果应该是前表为7列布局，后表页应该被解析成7列布局，因为它们是一个表格的前后部分

[myhloli]

场景1的截图如下哈：

前表是7列布局，后表被解析成了6列布局，列数不同的表是不能合并的，符合算法预期

但这属于是一个解析bug，正确的结果应该是前表为7列布局，后表页应该被解析成7列布局，因为它们是一个表格的前后部分

后表第一栏无内容是导致后表只识别出6列的原因，这种情况暂时也没有好的办法解决