阶段九十五：PDF 自动阅读顺序与表格恢复

本阶段对应 GAP-20.1／GAP-20.2。PdfAdapter.importDocument(input).analysis(PdfSemanticImporter.Analysis.AUTO) 在既有显式网格导入之上增加有界几何分析，恢复可编辑正文和明确子集的表格结构，并通过统一转换入口实际生成 DOCX、HTML、Markdown 和重新布局的 PDF。默认 LINES 保持逐行恢复及调用方网格行为。

能力与边界

项	实际行为	明确边界
阅读顺序	用孤立标题分隔纵向区域，再按明确留白沟形成多栏；栏内由上到下，栏间由左到右	几何推断，不把内容流顺序当成正文顺序；任意浮动排版仍无法唯一恢复
正文结构	合并相容字号／行距的连续行，恢复标题、项目符号及十进制列表；重复顶部／底部短文字移入页眉页脚	行连接使用空格；不推断完整段落样式、字体族、动态页码或作者意图
有线表格	连接网格线；短断口不制造新行；内部缺边可恢复矩形纵／横合并；独立内部网格形成嵌套 Table	斜边、不规则格、切字或非矩形连通格不强行转为表格，保留物理文字行并报告不确定性
无线表格	至少三行、二至八列的稳定对齐，另有数字或紧凑矩阵内容证据；实际跨列文字可成为合并表头	普通对齐正文不自动转表；空格不能证明纵向合并
跨页续表	相邻页底部／顶部表格的位置、总宽与分列比例相容时连接；相同简单表头保留一次并设为重复表头	不把相同列数视为充分证据；无法安全表达的表头保留数据行
显式覆盖	.table(page, xEdges, yEdges, headerRows) 覆盖同区域自动判断	网格需合法且不得切字，不回避源结构或字体检查
来源	每条物理文字行保留源页和左上角 pt 框，表格有区域框；cellPath 逐对定位零基物理行／列	来源框不等于字符偏移或字形轮廓；一个语义块可能对应多行或多页，不能直接用作脱敏选区

所有推断通过 PDF_LAYOUT / DEGRADE 记录具体效果及 UNCERTAIN 边界。默认 ERROR；WARN／IGNORE 接受相同模型、来源和完整实际损失。原路径仍按 PDF_VECTOR_GRAPHICS / DISCARD 报告，Markdown 无法表达的合并／嵌套结构另按目标能力报告，不把降级输出声称为源布局无损往返。

本阶段不扩大既有语义入口的页面、字体、绘制和权限白名单，不执行 OCR、自然语言分析或不可信 ActualText 的替代提取。仍须使用有效嵌入的真实字体程序；复杂裁切或绘制只能使用明确受支持的整页图片降级。完整 API 与阈值见语义恢复指南。

独立验证

源由 pypdf 生成器独立构造，不使用 Export4j 或 PDFBox 生成。13 份 PDF、15 个源页覆盖：两栏／三栏与跨栏标题、段落与两类列表、重复页眉页脚、完整及短断线网格、横／纵合并、嵌套表格、无线及无线合并表头、跨页续表、对齐正文、显式覆盖与歧义网格。

公开 API 调用方完成 104 次转换：13 份输入 × WARN／IGNORE × 四种目标格式。另验证 16 次拒绝：13 个严格策略、对象预算、操作预算与同步取消；预算失败保留旧目标，源摘要不变，转换请求快照 AUTO 配置，默认 LINES 保持原行为。

独立验证器通过 pypdf、PDFium、DOCX XML、HTML 和 Markdown 解析检查原生结构与实际输出：

• 核对正文顺序、内容唯一性、标题／列表、页眉页脚、网格维度、跨度、嵌套、跨页表头及显式覆盖；检查 DOCX／HTML 的真实合并和嵌套结构。
• 核对 1,132 个样例源字符与叶来源框的覆盖，包含内联表头及嵌套 cellPath；该数值只证明本组样例，不代表任意 PDF 的完整恢复保证。
• 对模型故意删内容及交换顺序执行 24 个负控制，独立判定均能发现错误；WARN／IGNORE 的模型、来源、实际损失及 PDF 像素一致。
• 源和重新布局的 PDF 使用 Poppler／PDFium 在 144 DPI 独立渲染，共 86 张页面图、15 张联络图。逐张检查文字、表格、分页及内容完整性；重排后的栏布局、段落换行和页数变化属于已声明行为，没有裁切或重叠。最终 Maven 输出的这 101 张 PNG 摘要与已目视产物全部一致。

复现

PdfAutomaticRecoveryTest 的 7 项测试全部通过，覆盖分栏与段落、列表、有线合并、内表、无线与显式覆盖、重复页眉页脚与跨页来源，以及策略／预算／取消。本轮全量构建、SBOM 和本地 Maven 制品发布完成后，另建全新隔离调用方，使用实际发布的 Maven 坐标完成上述 104 次转换及 16 次拒绝；独立验证器对该批最终输出再次全部通过。独立调用方、外部结构／渲染和单元测试分别检查，不用当前编译目录或同一后端读回代替制品证据。这是本地制品验收，不代表向远程制品库正式发布。

从仓库根执行，Python 使用 scripts/requirements-verification.txt 固定依赖，并安装 Poppler。其他平台将 Wrapper 改为 ./gradlew。<consumer-build-directory> 是相对 verification/consumer 的新构建目录。

python scripts/create_pdf_automatic_fixtures.py
.\gradlew.bat :export4j-adapter-pdf:test --tests '*PdfAutomaticRecoveryTest'
.\gradlew.bat build sbom publishLocalBundle
.\gradlew.bat -p verification/consumer "-PconsumerBuildDirectory=<consumer-build-directory>" clean build resolvedLibraries pdfAutomaticRecovery --refresh-dependencies
python scripts/verify_pdf_automatic_recovery.py --consumer-build-directory verification/consumer/<consumer-build-directory>

生成物、原始报告、页面图、联络图、测试 XML 与本地构建指针保留在忽略目录。API、支持矩阵和缺口状态只按本节声明的自动子集解释，不外推为任意文档或任意阅读器的无损兼容保证。