fix(rag): 修复表格图片替换和跨页合并三个bug

1. chat_routes._replace_table_image_placeholders:
   - 处理 ![图片](图片URL) LLM 格式（去掉多余!和假URL）
   - 支持 [N张图片] 多张占位符（html_table_to_markdown 生成）
   - 修复 !! 双感叹号导致 markdown 图片语法失效

2. manager._merge_cross_page_tables:
   - 表头跳过逻辑改为对比第一行而非 find_all('th')
   - 修复合并后表格中间出现重复表头行的问题

api/chat_routes.py

@@ -1373,12 +1373,20 @@ _FIGURE_ANSWER_KEYWORDS = frozenset([
 
 def _replace_table_image_placeholders(answer: str, images: List[Dict]) -> str:
     """
-    将回答中 markdown 表格内的 [图片] 占位符替换为实际图片语法。
+    将回答中 markdown 表格内的图片占位符替换为实际图片语法。
 
-    LLM 看到的上下文里表格单元格是 [图片]（MinerU 解析产物），它也原样输出。
-    此函数按顺序将每个 [图片] 映射到 images 列表中对应图片的 URL，
+    LLM 看到的上下文里表格单元格图片以 [图片] 或 [N张图片]（MinerU 解析产物）表示，
+    LLM 通常会原样输出，有时还会加上 ![图片](图片URL) 格式。
+
+    此函数按顺序将占位符映射到 images 列表中的 URL，
     生成 ![img](/images/xxx.png) 语法，前端 markdown-it 可直接渲染为 <img> 标签。
 
+    处理的占位符格式：
+        - [图片]              → ![id](url)             （单张）
+        - ![图片](图片URL)    → ![id](url)             （LLM 加了 ! 和假 URL）
+        - [3张图片]           → ![id1](u1) ![id2](u2) ![id3](u3)
+        - ![3张图片](图片URL) → 同上                   （LLM 加了前缀和假 URL）
+
     Args:
         answer: LLM 生成的回答文本
         images: select_images + _filter_images_by_answer 后的最终图片列表
@@ -1386,28 +1394,35 @@ def _replace_table_image_placeholders(answer: str, images: List[Dict]) -> str:
     Returns:
         替换后的回答文本
     """
-    if not images or '[图片]' not in answer:
+    if not images or '图片' not in answer:
         return answer
 
-    # 按顺序替换：第 N 个 [图片] → 第 N 张图片
     img_iter = iter(images)
     replaced_count = 0
 
     def _replacer(match):
         nonlocal replaced_count
-        try:
-            img = next(img_iter)
-            url = img.get('url', '')
-            img_id = img.get('id', 'img')
-            replaced_count += 1
-            return f'![{img_id}]({url})'
-        except StopIteration:
-            # 图片用完了，保留剩余占位符
-            return match.group(0)
+        n_str = match.group(1)  # 数字部分，None 表示单张
+        n = int(n_str) if n_str else 1
 
-    result = re.sub(r'\[图片\]', _replacer, answer)
+        parts = []
+        for _ in range(n):
+            try:
+                img = next(img_iter)
+                url = img.get('url', '')
+                img_id = img.get('id', 'img')
+                parts.append(f'![{img_id}]({url})')
+                replaced_count += 1
+            except StopIteration:
+                parts.append('[图片]')  # 图片用完了
+        return ' '.join(parts)
+
+    # !?              — 可选前导 !（LLM 有时加）
+    # \[(\d+)?张?图片\] — [图片] 或 [3张图片]（张 可选）
+    # (?:\(图片URL\))? — 可选的 LLM 从上下文复制的假 URL
+    result = re.sub(r'!?\[(\d+)?张?图片\](?:\(图片URL\))?', _replacer, answer)
     if replaced_count > 0:
-        logger.info(f"[图片占位符替换] 替换了 {replaced_count}/{len(images)} 个 [图片] 为 markdown 图片语法")
+        logger.info(f"[图片占位符替换] 替换了 {replaced_count}/{len(images)} 个图片为 markdown 图片语法")
     return result
 
 

knowledge/manager.py

@@ -39,6 +39,7 @@ from pathlib import Path
 import logging
 
 import chromadb
+from bs4 import BeautifulSoup
 
 # 从 base.py 导入基础类和常量
 from .base import (
@@ -550,8 +551,39 @@ class KnowledgeBaseManager(
                         curr_html = getattr(current, 'table_html', '') or ''
                         next_html = getattr(next_chunk, 'table_html', '') or ''
                         if curr_html and next_html:
-                            # 合并两个表格的 HTML
-                            current.table_html = curr_html + '\n' + next_html
+                            # 正确合并两个表格的 HTML：
+                            # 将第二个表格的 <tr> 行追加到第一个表格中
+                            # （而非简单拼接两个 <table>，否则 html_table_to_markdown
+                            #  的 soup.find('table') 只能找到第一个表格）
+                            try:
+                                soup1 = BeautifulSoup(curr_html, 'html.parser')
+                                soup2 = BeautifulSoup(next_html, 'html.parser')
+                                table1 = soup1.find('table')
+                                table2 = soup2.find('table')
+                                if table1 and table2:
+                                    # 从第二个表格提取数据行
+                                    next_rows = table2.find_all('tr')
+                                    # 跳过与第一个表格表头重复的行
+                                    # 对比第一行而非所有 th（find_all('th') 会匹配
+                                    # 整个表格的 th，无法与单行做列表比较）
+                                    first_row_t1 = table1.find('tr')
+                                    if first_row_t1 and next_rows:
+                                        row1_texts = [c.get_text(strip=True) for c in first_row_t1.find_all(['th', 'td'])]
+                                        row2_texts = [c.get_text(strip=True) for c in next_rows[0].find_all(['th', 'td'])]
+                                        if row1_texts and row2_texts and row1_texts == row2_texts:
+                                            next_rows = next_rows[1:]
+                                            logger.debug("跨页表格合并: 跳过了重复的表头行")
+                                    for row in next_rows:
+                                        table1.append(row)
+                                    current.table_html = str(soup1)
+                                    logger.debug(f"跨页表格 HTML 合并成功: 追加了 {len(next_rows)} 行")
+                                else:
+                                    current.table_html = curr_html + '\n' + next_html
+                            except Exception as e:
+                                logger.warning(f"跨页表格 HTML 合并异常: {e}，回退到简单拼接")
+                                current.table_html = curr_html + '\n' + next_html
+                        elif not curr_html and next_html:
+                            current.table_html = next_html
 
                         # 合并 image_path 和嵌入图片到 images
                         curr_img = getattr(current, 'image_path', None)