别再暴力切分了！大模型 RAG 中跨页大表格的智能语义切分方案

1. 引言：跨页表格——RAG 切分的“隐形杀手”

在基于大模型的检索增强生成系统中，知识库的预处理质量直接决定了最终回答的天花板。然而，在现实的企业级落地场景中，PDF 文档依然是最主要的非结构化数据源。在处理财报、招股书或技术手册时，我们经常会遇到一类棘手的数据形态：跨页大表格。

传统的 RAG 管线通常依赖 PDF 解析器的“物理分页”进行 Chunk 切分。这种暴力切割方式往往遵循“Page-based”策略，即解析完一页就将文本塞入分块器。当一张大型表格横跨第 5 页和第 6 页时，第 5 页的后半段只有表头和部分数据行，第 6 页的前半段则是裸露的残表。

这种断裂导致两个严重后果：其一，表头的语义锚点丢失，Embedding 模型在向量化时无法理解残缺数据的含义，导致检索召回率骤降；其二，大模型在上下文生成时，面对无法对齐的残表极易产生严重的幻觉。本文将深度剖析跨页表格的切分痛点，并提出一套结合版面分析与语义完整性的智能切分方案。

2. 痛点剖析：物理分页为什么会失败？

要解决问题，首先要理解跨页表格的“反切分”特性。普通的自然段落在页面底部是可以被安全截断的，但表格具有严格的结构化依赖。

2.1 表头（Schema）丢失

表格的第一行通常是体现列语义的关键表头。假设我们有一个包含“营收、净利润、同比增幅”的财务表格。如果表格在第 1 页只有表头和第 1–10 行数据，第 2 页是第 11–20 行。标准的RecursiveCharacterTextSplitte