[dnjsgkfka]

문제

표 둘째 행 이하의 colspan 셀도 캡션으로 채택(confidence=inferred).
제출 기능명세서 소분류는 "표 첫 행 병합 셀 안의 캡션 탐색"이고, 코드의 docstring도 첫 행을 명시하고 있어 명세·문서·구현이 셋 다 어긋난 상태였음

재현: tests/specification/test_spec_layout.py::test_qa15_caption_must_be_in_first_row

영향

이 fallback은 1~3단계(direct / 같은 페이지 bbox / 인접 페이지)가 모두 실패했을 때만 타므로 멀쩡한 캡션을 가로채지는 않는다. 대신 캡션 없는 표에 가짜 캡션을 단다.
caption_text는 EU의 정체성이라 text·retrieval_text·retrieval_units의 prefix, table_abstract에 모두 복제되고, 분할되면 모든 조각에 반복된다. 또한 confidence가 none이 아닌 inferred로 기록돼 다운스트림에서 거를 수단이 사라진다.

변경

• 병합 셀 탐색 범위를 첫 <tr>로 한정 (_FIRST_ROW_PATTERN)
• bs4 대신 정규식을 쓴 이유: caption.py를 의존성 없는 모듈로 유지 (bs4는 split.py 전용)
• docstring을 실제 동작에 맞게 수정

검증

대상	결과
tests/test_caption_merged_header.py (신규 9건)	9 passed
tests/specification/test_spec_layout.py	30 passed (qa15 전환)
기존 캡션·텍스트·섹션 테스트	25 passed
전체	132 collected / 121 passed / 0 failed / 11 skipped

Fixes #34

부수 변경

PR을 올린 뒤 CI가 두 가지 이유로 실패해 같은 브랜치에서 함께 처리

• test 잡: dev extra에 langchain-core가 없어 QA-40·41·44가 CI에서만 ImportError로 실패
• pip-audit 잡: pip 자체 취약점 2건은 러너 pip 업그레이드로 해소. pillow 12.3.x 24건은 docling 계열의 pillow<13.0.0 상한 때문에 올릴 수 없어 사유를 기록하고 개별 ID로 제외
• 함께 수정이 완료된 항목들의 spec_gap 마커 3개도 제거

[dagshub]

Join the discussion on DagsHub!