deepdoc/pdf: a body sentence beginning with “Table N” is absorbed into a table’s caption (and, with #20650, into its highlight geometry)

快速结论：使用 RAGFlow 的 deepdoc PDF 解析时，如果正文句子恰好以 Table N 开头（例如交叉引用 “Table 1, we present …”），它会被误判为表格标题，并入最近表格的 caption 而不再作为独立段落。应先确认解析结果中表格 caption 是否混入了正文，再按解析器版本排查是否为已修复的判别边界问题。

适用环境：RAGFlow 的 deepdoc PDF 解析（Python 参考实现与 Go 实现均会触发）。Issue 仅确认了问题存在于当前 main 分支，未列出具体操作系统、Python、CUDA、显卡或依赖版本。

最快修复方案：暂无确认的一步修复方案。已修复的只是以 Table N 开头的正文句子被整体吸收的头号场景（由 #21453 处理）；DLA 检测器已标注为 table caption、但文本实为正文句子的样本仍会复现，已另开 #21884 跟踪。

注意事项：收紧 caption 判别规则属于有意偏离 Python 参考实现的行为，需要经 parity harness 验证；且并非所有真实 caption 都带冒号（如 Table 2 Performance comparison），不能简单机械修改。

问题场景

在 RAGFlow 中解析含表格的学术论文 PDF 时，deepdoc 的 CaptionKind 分类与 MergeCaptions 合并流程会把一段正文句子当作表格标题。Issue 中复现的三处：KnowAgent 论文 Table 2、27 页 RAG 论文 Table 1 与 Table 9。表现是正文句子从独立段落中消失，表格的 <caption> 混入正文，且该表格分块的 Positions 数量从正常 caption 的 2 个增加到 3–4 个。

报错原文

deepdoc/pdf: a body sentence beginning with "Table N" is absorbed into a table's caption (and, with #20650, into its highlight geometry)

原因分析

CaptionKind 用 (?i)^Table\s+\d+ 这类行首锚定正则判断表格标题，MergeCaptions 再把命中的文本追加到最近表格并删除原段落。以交叉引用开头的正文行（如 Table 1, we present …）与真正的 caption 一样匹配，因此被吞并。这与 Python 参考实现 deepdoc/vision/table_structure_recognizer.py::is_caption 的行为一致，并非 Go 实现的偏差。叠加 #20650 的 caption 框合并后，被误并的正文框也会进入表格分块的 Positions，使高亮区域覆盖不相关页面区域。另有一类残留场景：DLA 检测器已把某框标为 table caption，其文本实为正文句子，但 tableCaptionProse 同样锚定在 ^Table\s+\d+，这类从句子中间开始的框不会进入边界规则，标签仍然生效。

环境排查

确认所用的 RAGFlow 版本或提交，是否已包含 #21453 的修复。
确认解析的是 Python 参考实现还是 Go 实现，两者在本问题上行为一致。
检查出问题表格的 <caption> 文本，是否混入了以逗号或小写单词延续的正文。
检查该表格段落 len(section.Positions)：正常为 2（表格框 + caption 框），3–4 说明有正文框被并入。
确认该框是否由 DLA 检测器直接标注为 table caption，这类样本可能不在 #21453 的覆盖范围内。

解决步骤

升级到包含 #21453 的版本（可优先尝试），该修复要求 CaptionKind 在 Table N 标记之后必须存在 caption 边界，从而保留以 Table 1, we present … 这类正文开头的独立段落。
升级后重新解析 Issue 中的样本文档，逐项比对表格 caption 文本。
若仍有正文混入 caption，判断该框是否由 DLA 检测器标注为 table caption；若是，则属于 #21884 跟踪的残留问题，目前无已确认修复。
在修复到位前，可对受影响的表格或句子做后处理校正，例如从 <caption> 中剔除正文部分、恢复为独立文本（此为绕过手段，非 Issue 验证方案）。

验证方法

对同一 PDF 重新解析后检查：原被吞并的正文句子是否作为独立段落出现；目标表格的 <caption> 是否只含真实标题；该表格分块的 Positions 是否回到 2 个（未叠加 #20650 时按实际合并逻辑核对）。若 27 页 RAG 论文 Table 1 一行仍在 caption 内出现正文，说明命中 #21884 的残留场景，而非 #21453 未生效。