太棒了！经过我们深入的讨论和推演，现在为您呈上这份完美的**《基于 MinerU 的 RAG 溯源高精度匹配策略方案（最终版）》**。

这个方案彻底摒弃了不稳定的“物理合并”，采用**“入库保持极简 + 查询端动态截取匹配”**的先进架构，完美兼顾了数据原真性、搜索精准度和前端渲染的灵活性。

🚀 基于 MinerU 的 RAG 溯源高精度匹配策略方案（最终版）

🎯 核心痛点与挑战回顾

在 RAG（检索增强生成）场景下，大模型返回的溯源文本是一句或一段连贯的话，而 MinerU 解析出的 PDF 数据在物理上是高度碎片化的：

1. 同行碎片化（Span 级）：例如特殊符号 10m 会被拆分为 10 和 m 两个 Span。

2. 跨行断裂（Line 级）：一句话可能跨越 PDF 中的多行（甚至跨页）。

3. 排版复杂性：由于存在多级列表（a, b, c）、无序号标题、表格等复杂排版，无法通过简单的正则或标点符号进行可靠的“入库物理合并”。

💡 方案核心思想

入库做减法，查询做加法。

• 入库端：绝不跨行合并，保留 PDF 最真实的物理行形态，确保坐标（bbox）绝对精准。

• 查询端：利用“前缀定位页码 + 单/双页内存动态拼接映射”的算法，实现跨行、跨页文本的完美匹配与坐标反推。

一、 入库解析阶段（MinerUProcessServiceImpl）

原则：以物理行（Line）为最小入库单位。

1. 层级遍历：遍历 middle.json 时，解析粒度深入到 Line 级别（即 lines 数组的每一个元素）。

2. 解决同行碎片（问题1）：

• 遍历当前 Line 下的 spans 数组。

• 将所有 Span 的 content 字符串进行简单拼接（如 10 + m -> 10m）。

• 将拼接后的字符串作为当前行的 text 字段入库。

3. 坐标存储：

• 当前行的 bbox 直接存入数据库（无需转换为多框数组，就是单行的 [x1, y1, x2, y2]）。

4. 数据