[xxbcisco]

变更说明

HTML 表格含合并单元格时，semantic 会重复输出同一个“学历”字段，并把跨字段说明错误赋给学历、资历等字段；长度切分还可能拆散一行中的类别与条件。例如 colspan=3 的“学历：本科”会被输出三次。

本 PR 保留单元格身份，横向合并只输出一次，纵向类别随行继承；同一逻辑表头下的子条件合并，跨字段说明保留为独立正文。semantic 为每个完整数据行生成独立块，并保留同一 HTML 块中的其他表格、贴表正文和来源区间。

• 任务类型：bug-fix。
• 目标：修复已有 HTML 合并关系在转换、分块时被破坏的问题。非目标：推断 OCR 已丢失的内容、更换解析引擎或自动重建已有索引。
• substantial：改变检索及模型可见内容，并接受“完整表格行允许超过长度目标”的取舍；决策与回归一并提交。

工程主张与 Owner

• 合并字段只输出一次，纵向类别随行继承；跨字段说明不猜测字段归属。Owner：table_utils.py::html_table_to_key_value。
• 每个表格行块保留完整条件、多表及周围正文。Owner：semantic.py::chunk_markdown。来源投影沿用原 HTML token 的行区间，不生成虚假的单元格行号。
• 观察边界：转换返回的 KV 文本、公开分块入口及其来源投影的内容与行号；不涉及新的持久化提交点。
• 决策记录。
• 上游基线：main@7b752160；从本地修复 d84ff247 单独移植5个文件，无冲突。使用现有转换器和分块入口，不新增配置、依赖或兼容层。

验证情况

合并字段与行上下文完整

• 失败面：colspan 展开造成重复；rowspan 类别在后续行缺失；子条件脱离逻辑表头。
• 语义 Owner：html_table_to_key_value。
• 直接证据：新增19项表格用例中的明确预期文本，覆盖合并表头、多层 thead、表体 th、caption、空表头及跨行类别。
• 负向案例：在 pinned base 恢复旧实现，新增集合13项因目标缺陷失败、6项通过。
• 结果：Passed。

跨字段说明不错误赋值

• 失败面：跨越不同字段的说明被重复赋给多个字段；按文字去重又丢掉独立列的相同值。
• 语义 Owner：html_table_to_key_value。
• 直接证据：完整预期 KV 文本，分别验证跨字段说明、相同文字的独立列。
• 负向案例：旧转换器的错误字段关系使对应回归失败；非法跨度和嵌套表格保留原 HTML。
• 结果：Passed。

完整行、周围正文及来源保留

• 失败面：长度目标拆散条件、只消费首张表、吞掉贴表正文、生成无来源数据行。
• 语义 Owner：chunk_markdown 及现有来源投影。
• 直接证据：38项相关集合通过，覆盖 token 目标1/5000、多表、贴表正文、来源行号及不支持结构的原文保留。
• 负向案例：旧入口在相同用例中丢失多表/周围正文，或无法保持完整行块。
• 结果：Passed。

本次在官方最新基线的独立 checkout 上验证；使用已有 API 依赖镜像、只读挂载源码、--network none，未加载业务数据或替换运行服务。容器中实际执行：

# backend 工作目录
python -m pytest test/unit/knowledge/chunking/test_semantic_tables.py test/unit/knowledge/chunking/test_semantic_chunking.py test/unit/plugins/test_chunk_source_lines.py -q -p no:cacheprovider
python -m pytest test/unit -m "not slow" -q -p no:cacheprovider

# 仓库根目录
python scripts/ci/verify_engineering_contracts.py
python -m unittest scripts.ci.test_verify_engineering_contracts

• 相关集合：38 Passed，包含新增19项。
• 全量后端 unit：3663 Passed、11 Skipped（跳过原因见下）。
• 工程契约检查 Passed，verifier 单元测试56 Passed。
• Ruff lint、format、import 检查 Passed（447个 Python 文件）；变更文档相对链接、pnpm run build、git diff --check Passed。

简化 / 删除验收

不涉及。

独立语义 Review

全新上下文 Reviewer 按 Standards / Spec 审查原需求、职责归属、全部5文件 diff、方案与边界，并独立运行38项相关集合。审查发现的两处测试问题已修正：使用公开分块入口；多句超长行在恢复拆分的负控中准确失败。最终结论：Standards / Spec 均无待修问题。独立审查未重新执行真实原文探针或检索评估。

未验证范围与风险

• Not run：重新解析/入库、检索召回率及外部 OCR 对照；本 PR 验证分块语义，不宣称召回率提升。
• 11项部署配置测试因依赖镜像没有 Docker CLI 而跳过；未将这些跳过项计为部署契约通过。
• 完整行块可能增加块数量，极长行可超过长度目标；上游已缺失或识别错的内容不在本阶段推断补齐。
• 来源保持原 HTML token 区间；原表位于单行时，不能提供更细的单元格定位。

事故反馈

未达到高影响事故复盘门槛；稳定 reproducer 和负向回归已落在 owning unit 套件。

界面变更

不涉及。

关联事项

无。

补充说明

无配置、依赖或 Schema 迁移；已有文件重新分块后应用新规则，PR 不自动改写旧数据。测试使用合成表格，未提交用户 PDF、解析原文或本地运行数据。

[Copilot]

Copilot was unable to review this pull request because the user who requested the review has insufficient remaining quota. Try requesting a review at a lower effort level.

[xxbcisco]

申报评审各等级技术职务任职资格.pdf
以上为测试文件