提取跨页表格中的第二页文本所在的真实页码

[Xscut]

当前mineru有跨页表格自动合并逻辑，导致跨页后的表格页码被合并到前一页，如何从解析结果中获取对应文本真实页码呢

[dosubot[bot]]

MinerU合并跨页表格后，最终 content_list.json 里的表格对象只保留了首段（第一页）的 page_idx，无法直接获取跨页后（如第二页）文本的真实页码。要追溯每段内容的真实页码，需要在 middle.json 的 preproc_blocks 结构中，遍历表格的所有子块（如 line、span），收集每个子块的 page_idx 字段，这些字段记录了原始的页码信息。你可以在二次开发或后处理阶段，将这些 page_idx 信息聚合为新字段，附加到最终表格对象中，便于后续追溯每段文本的真实来源页码。详细原理和代码细节可参考相关讨论和官方文档。如果只关心每页独立表格及页码，也可以通过设置环境变量 MINERU_TABLE_MERGE_ENABLE=0 关闭自动合并，保留每页独立表格及其页码，但需要手动拼接表格内容。

To reply, just mention @dosu.

---

^{How did I do? Good | Irrelevant | Incorrect | Verbose | Hallucination | Report 🐛 | Other}