结论先行：表格解析的关键是“结构识别”而非“文字识别”。只有还原出合并单元格（rowspan / colspan）和正确的阅读顺序，下游才能把表格当作一张完整的表来检索。
一、表格为什么难
文档里的表格不是纯文本，它携带行列关系。普通 OCR 把单元格逐个识别成文字，却丢掉“哪几个单元格合并成了一个”。一旦结构丢失，表格在数据里就变成一堆孤立片段，检索时要么找不到，要么拼错。
财报、研报、招股书恰恰是表格最密集的文档类型。一张跨页利润表被拆散后，检索净利润可能命中表头碎片，检索营业收入命中另一页的数据行，拼出来的答案看似通顺、实则错行。这类错误在评测里表现为检索命中但生成错误，定位起来比纯检索失败更费劲，因为每一片看起来都“对”。
常见的绕路有两种：把表格截图直接交给通用多模态模型，或者把整张表硬转成 CSV。前者批量跑不动、结果难校验；后者一遇到合并单元格就错位，层级关系全靠猜。表格有自己的版式语义，正确做法是在解析阶段就把结构识别做掉，而不是把问题推给下游——切片和检索的每一次返工，都是在为这一步省下的功夫买单。
二、TSR 负责还原结构
表格结构识别（Table Structure Recognition, TSR）由 tsr.onnx 完成，它在版面分析定位到表格区域之后，输出带 rowspan / colspan 的 HTML 结构。合并单元格因此能被正确还原，而不是被粗暴拆成若干小格。行头、列头和数据区域的对应关系也随之固定下来。
为什么输出 HTML 而不是纯文本？因为行列标签本身就是语义：跨行跨列的关系被显式记录，下游切片可以按行组织文本，LLM 也能按表格语义理解内容。解析时不保留结构，事后想从碎片里恢复，成本远高于一开始就做对。
三、阅读顺序决定检索正确性
阅读顺序回答“先读哪格、后读哪格”。对跨页表格、竖排表头、嵌套表格，顺序错了会导致提取出的内容语义断裂。本地推理在还原结构的同时保留阅读顺序，确保后续切片拿到的表格文本是人类可读的顺序。
坐标信息同样保留，它支撑版面级溯源——当检索结果引用某个数字时，可以回溯到原文档的具体页面与区域。对金融、审计这类需要留痕核查的场景，这是表格解析不可省略的能力，也是回答能否被采信的基础。
| 能力 | 解决的问题 |
|---|---|
| 合并单元格还原 | 避免表格被拆散成碎片 |
| 阅读顺序 | 避免跨页/竖排表头错乱 |
| 坐标保留 | 支撑版面级溯源 |
四、表格指标怎么进知识库
在投研场景中，表格里的指标（如营收、净利）会被抽取进 SQLite 指标库，走 Unstructured-to-SQL 路线，既能被向量检索，也能被结构化查询。两种通道互相补充：向量检索负责语义模糊的问题，SQL 负责精确数字的问题。
这条路的收益可以直接度量。在某个已匿名客户的投研语料项目中，表格指标抽取入库后与向量库并行服务，检索冒烟测试 000001、000002 均 10/10 命中——编号、指标词这类精确查询不再依赖纯向量召回的运气。表格结构率也由此成为语料级评测的关键指标之一。
表格结构识别是版面分析的一部分。更完整的扫描件链路见 扫描件 OCR 与版面分析；表格识别结果如何切片入库，见 切片策略 与 投研 RAG 实战。
真实场景：从表格还原到指标库的完整链路
表格识别的终点不是「看起来像表格」，而是结构化数据可查询。在 A 股投研 RAG 项目里，研报中的财务表格经版面分析还原行列结构后，指标被抽取进 SQLite 指标库（Unstructured-to-SQL），单是两家上市发行人的语料就沉淀了 457 项指标。这意味着用户问「某公司某年度的营收是多少」时，系统可以直接命中指标记录，而不是把一段 OCR 文本丢给模型去猜。
这条链路的关键前提是合并单元格还原：研报表格里跨行跨列的表头极其常见，rowspan / colspan 还原失败的表格，抽出来的指标会错位到错误的报告期或错误的科目上——数据错误比检索不到更危险，因为它看起来像真的。表格结构与父块上下文如何配合检索，见父子 Chunk：精准召回与完整上下文；完整的投研落地案例见金融投研 RAG 实战。
常见问题 FAQ
Q1：表格解析和文字识别有什么不同？
文字识别只把单元格变成文本，表格解析还要还原行列关系和合并单元格。缺了结构，表格在数据里就是碎片，检索要么找不到、要么拼错行，生成答案看似通顺实则错行。
Q2：合并单元格靠什么还原？
由 tsr.onnx 做表格结构识别，输出带 rowspan / colspan 的 HTML，合并单元格得以正确还原，而不是被拆成多个小格，下游才能按行组织语义。
Q3：阅读顺序错了会怎样？
跨页表格、竖排表头、嵌套表格的阅读顺序一旦错乱，提取出的内容会语义断裂，下游切片拿到的是错序文本，引用数字时也无法回溯到原文位置。
Q4：表格里的指标怎么被检索到？
在投研场景，表格指标会经 Unstructured-to-SQL 抽进 SQLite 指标库，既能向量检索也能结构化查询，编号与指标词的精确命中不再依赖纯向量召回。
需要搭建企业级 RAG 知识库？了解丑梨AI
私有化部署的 RAG 数据工程基座：解析、清洗、脱敏、压缩、切片、治理、评测一站式流水线，全本地推理，数据不出域，单机可部署。