一份海运单据里品名可能换行数量在下一页表头又重复了一次。如果只让模型“提取成数组”输出常常十分整齐行却已经错配。错误最难发现的地方是每个字段单独看都像真的。我会先建立行与页面证据再做字段规范化。这里讨论文档工程不判断报关、退税或税率是否适用。文档搜索不等于结构重建Cloudflare在2026年10月1日宣布AI Search正式可用并说明扫描PDF的OCR能力。官方变更说明 搜到一段相关文字与恢复一张跨页表格的行列关系是不同任务。检索片段不能自动充当原始表格。数据模型至少保留页码、行标识、原始单元格和提取状态。跨页延续关系要有证据同一个明细编号、明确续页标记或人工确认。不能仅凭相邻位置拼接。内图的连线只合并同一行身份重复表头被排除。若两个页面有相同编号却属于不同单据应先按文档ID隔离。不让模糊匹配静默覆盖以下例子接收已经人工标记行ID的片段只按明确ID合并。遇到冲突就停止不猜哪一份更可信。const assert require(node:assert/strict); function mergeRows(parts) { const rows new Map(); for (const p of parts) { if (!p.id || !Number.isInteger(p.page) || p.page 1) throw new Error(missing row evidence); const row rows.get(p.id) || { id: p.id, pages: [], fields: Object.create(null) }; for (const [key, value] of Object.entries(p.fields)) { if (Object.hasOwn(row.fields, key) row.fields[key] ! value) throw new Error(conflicting field: key); row.fields[key] value; } if (!row.pages.includes(p.page)) row.pages.push(p.page); rows.set(p.id, row); } return [...rows.values()]; } const row mergeRows([ { id: docA:7, page: 1, fields: { item: demo } }, { id: docA:7, page: 2, fields: { quantity: 2 } } ])[0]; assert.deepEqual(row.pages, [1, 2]); assert.equal(row.fields.quantity, 2); assert.throws(() mergeRows([ { id: x, page: 1, fields: { n: 2 } }, { id: x, page: 2, fields: { n: 3 } } ])); console.log(row-merge: 3 assertions passed);保存为row-merge.cjs运行node row-merge.cjs。这个示例验证合并策略不验证OCR能否正确生成行ID真实系统还应限制字段名、数据类型和单据大小防止任意字段进入业务对象。前端要让错配显眼复核页面可以左右并排一侧保留原页一侧展示行结构。点击一行时同时高亮涉及的多个页面片段并提示跨页合并原因。冲突字段用并列候选展示不要悄悄选择最后一次出现的值。本地样本没有真实海运提单、税务凭证或多语言OCR不能据此宣称提取精度。它只保证一件小事当上游证据冲突时下游不会仍然得到一行看似正常的数据。
一份海运单据里品名可能换行数量在下一页表头又重复了一次。如果只让模型“提取成数组”输出常常十分整齐行却已经错配。错误最难发现的地方是每个字段单独看都像真的。我会先建立行与页面证据再做字段规范化。这里讨论文档工程不判断报关、退税或税率是否适用。文档搜索不等于结构重建Cloudflare在2026年10月1日宣布AI Search正式可用并说明扫描PDF的OCR能力。官方变更说明 搜到一段相关文字与恢复一张跨页表格的行列关系是不同任务。检索片段不能自动充当原始表格。数据模型至少保留页码、行标识、原始单元格和提取状态。跨页延续关系要有证据同一个明细编号、明确续页标记或人工确认。不能仅凭相邻位置拼接。内图的连线只合并同一行身份重复表头被排除。若两个页面有相同编号却属于不同单据应先按文档ID隔离。不让模糊匹配静默覆盖以下例子接收已经人工标记行ID的片段只按明确ID合并。遇到冲突就停止不猜哪一份更可信。const assert require(node:assert/strict); function mergeRows(parts) { const rows new Map(); for (const p of parts) { if (!p.id || !Number.isInteger(p.page) || p.page 1) throw new Error(missing row evidence); const row rows.get(p.id) || { id: p.id, pages: [], fields: Object.create(null) }; for (const [key, value] of Object.entries(p.fields)) { if (Object.hasOwn(row.fields, key) row.fields[key] ! value) throw new Error(conflicting field: key); row.fields[key] value; } if (!row.pages.includes(p.page)) row.pages.push(p.page); rows.set(p.id, row); } return [...rows.values()]; } const row mergeRows([ { id: docA:7, page: 1, fields: { item: demo } }, { id: docA:7, page: 2, fields: { quantity: 2 } } ])[0]; assert.deepEqual(row.pages, [1, 2]); assert.equal(row.fields.quantity, 2); assert.throws(() mergeRows([ { id: x, page: 1, fields: { n: 2 } }, { id: x, page: 2, fields: { n: 3 } } ])); console.log(row-merge: 3 assertions passed);保存为row-merge.cjs运行node row-merge.cjs。这个示例验证合并策略不验证OCR能否正确生成行ID真实系统还应限制字段名、数据类型和单据大小防止任意字段进入业务对象。前端要让错配显眼复核页面可以左右并排一侧保留原页一侧展示行结构。点击一行时同时高亮涉及的多个页面片段并提示跨页合并原因。冲突字段用并列候选展示不要悄悄选择最后一次出现的值。本地样本没有真实海运提单、税务凭证或多语言OCR不能据此宣称提取精度。它只保证一件小事当上游证据冲突时下游不会仍然得到一行看似正常的数据。
