이슈와 논점 ← 刊物系列名

이슈와 논점 ← 刊物系列名

코로나-19 관련 보험약관상 재해보험금 지급문제 및 개선과제 ← 主标题

들어가며 1 ← 第 1 节（标题自带序号 1）

코로나-19 관련 보험 현황 2 ← 第 2 节

문제점 3 ← 第 3 节

개선과제 4 ← 第 4 节

맺으며 5 ← 第 5 节

节内子标题如 `(1) 「감염병의 예방 및 관리에 관한 법률」 개정`、`(2) 생명보험 표준약관 재해분류표`、`(3) 보험사의 보험금 지급실무상 혼선 초래` 等同样以 `##` 呈现。可见该版式下 Docling 将一级版面标题统一映射为 Markdown 的 `##`，而原稿段落中的“标题自带序号”（如“들어가며 1”）被原样保留在标题文本内，未被剥离。

### 3. 表格被还原为 GitHub Flavored Markdown 管道表

第 2 页的「[표 1] 감염병예방법 제2조제2호 개정전·후 비교」（表 1：传染病预防法第 2 条第 2 号修订前后对比）被完整转换为标准管道表，标题以普通段落行紧邻表格上方输出：

```markdown
[표 1] 감염병예방법 제2조제2호 개정전·후 비교

| 구분 | 개정전 | 개정후 |
| - | - | - |
| 분류 | 1군 감염병 | 1급 감염병 |
| 분류 기준 | ◦ 마시는 물 또는 식품을 매개로 발생하고 집단 발생의 우려가 큰 감염병 | ◦ 생물테러감염병 또는 치명률이 높거나 집단 발생의 우려가 커 높 은 수준의 격리가 필요한 감염병 |
| 대상 질병 | ◦ (6종) 콜레라, 장티푸스, 파라 티푸스, 세균성이질, 장출혈 성대장균감염증, A형간염 | ◦ (17종) 에볼라, 페스트 등 * 좌측 6종(2급 감염병 분류)은 미포함 |
| U코드 | ◦ 대상질병에 U코드 없음 | ◦ 대상질병에 U코드 일부(3종) 포함 ① 신종감염병증후군 → 코로나19(U) ② 중증급성호흡기증후군(SARS) (U) ③ 중동호흡기증후군(MERS)(U) |

注意两处细节：其一，原 PDF 中“表 1 修订前后比较”的每个单元格跨越多行，Docling 的表格导出（compact_tables=True）把折行合并为单行并以空格连接；其二，表内项目符号（◦、①）与空格被原样保留，说明该导出路径是“以版面单元文本为最小输入”的无损合并而非重排。基准数据生成代码中 doc_result.document.export_to_markdown(compact_tables=True)（verify_utils.py）正是这一“紧凑表格”开关的出处。

4. 图片只剩 <!-- image --> 占位注释

Markdown 产物中没有图片二进制或 caption 文本，仅在图片锚点处输出占位注释 <!-- image -->，全文共出现 3 处（第 1 行页眉 logo 区域、第 39 行与第 164 行正文插图处）。对照 doctags 中 <picture> 标签出现位置完全一致。也就是说：该 Markdown 基准不承诺图片内容保真，只承诺“图片的位置与存在性”被标记出来。若需要在导出后回填图片，可参考 docs/examples/export_figures.py 一类基于 DoclingDocument 的图片导出流程，另行消费。

5. 脚注以正文流内嵌方式保留

韩国研究简报有大量脚注（编号 1)…10)）。在 Markdown 产物中它们并非标准 Markdown 脚注语法，而是以“正文中保留引用号 + 脚注全文按阅读顺序排布为普通段落”的形式落地，例如：

한편 코로나-19가 전 세계적 유행단계에 돌입한 와중에 국내 보험업계에서는 코로나-19를 과연 질 병으로 보아야 할지, 상해 1) 나 재해 2) 로 보아야 할지

1) 손해보험의 표준약관 규정에 따르면, 보험기간 중에 발생한 급격하고도 우연한 외래의 사고로 신체에 입은 상해라고 규정하고 있는데, ...
2) 생명보험은 표준약관 '재해분류표'에서 '우발적인 외래의 사고'를 재 해라고 정의하며 ...

对于“正文引用处含上标号、页面底部有脚注定义”的复杂版面，Docling 会把脚注识别为独立 body 元素并按阅读顺序插入，其语义由 doctags 的 <footnote> 标签承载；Markdown 基准因此能用来锁定脚注不被遗漏、不被张冠李戴。同时可以观察到多栏 PDF 中被分行的韩文（如 “재 해”、“질 병”、“보 험금”）在导出后被合并成连续词组，说明导出层完成了连字符/断行粒度的文本规整。

样本内容总览：这份“标准答案”究竟记录了怎样一份文件

为便于读者核对基准文本的覆盖范围，这里给出 normal_4pages.md 的完整内容结构（以韩文原标题为准，附中文说明）。这也是该样本在端到端测试中能够覆盖“多级标题 + 表格 + 多栏 + 脚注 + 插图 + 页眉页脚”多种元素的原因：

• 刊头区：발행일 2020년 4월 2일（2020-04-02 发行）、발행처 국회입법조사처（韩国国会立法调查处）、제1695호（第 1695 号）等元信息以普通文本段落输出；
• 摘要：指出 2020.1.1 起《传染病预防法》相关条款变更后，WHO 将 COVID-19 认定为“全球大流行（Pandemic）”，引发保险实务中对“住院/死亡的灾害认定”的混淆，文章旨在梳理条款现状、问题并给出改进方案；
• 들어가며（引言）：截至 2020.3.30 韩国确诊 9,661 人、死亡 158 人；WHO 于 2020.3.11 宣布进入大流行阶段；争论焦点是 COVID-19 属于“疾病”“伤害”还是“灾害”——这一节附带第 1)、2) 号脚注，分别给出损害保险与生命保险标准条款对“상해（伤害）”与“재해（灾害）”的定义，并引出 KCD 的 S80~Y84 / U00~U99 分类代码背景；
• 코로나-19 관련 보험 현황（COVID-19 相关保险现状）：分四个子节展开——(1) 《传染病预防法》修订前后对比（即上文的表 1，涉及 1군→1급 感染病分级、6 种→17 种目标疾病、U 代码引入）；(2) 生命保险标准条款“灾害分类表”虽然把第 1 级传染病列为保障对象，却将 U 代码（U00~U99）疾病如 SARS(U04.9)、MERS(U19.9) 排除，COVID-19 的疾病代码 U07.1 因此可能被解释为不支付灾害保险金；(3) 《条款规制法》第 5 条的“起草者不利解释原则”（약관의 뜻이 명백하지 아니한 경우에는 고객에게 유리하게 해석）; (4) 生命保险业界以“可测风险（Measurable Risk）”为由主张原则上不予保障；
• 문제점（问题点）：(1) 若保险公司主张 U07.1 属免责事由，将违背作为上位法的《传染病预防法》修法宗旨；(2) 金融监督当局未能及时修订生命保险标准条款；(3) 业界依据大数法则（第 8 号脚注）与收支相等原则（第 9 号脚注）认为新发传染病的风险率不可测算，导致各公司给付口径不一；(4) 面对气候、传染病等新风险，保险商品开发能力不足；
• 개선과제（改进课题）：(1) 依据条款规制法与“事故发生当时适用法律”的条款约定，重新审视灾害保险金给付；(2) 呼吁监督当局尽快完成标准条款修订并采取积极政策；(3) 建议开发传染病保险、参数保险（Parametric Insurance，第 10 号脚注详述其“以降雨量、风速等客观指标赔付而非实损赔付”的运行机制）、指数保险（Index Insurance）等新形态商品；
• 맺으며（结语）：COVID-19 具备“偶发性外来事故 + 急剧性”的灾害属性，建议监督当局与业界尽快完成制度性补正；末段为刊物说明（为议员立法活动服务的信息通讯，编号 ISSN 2005-744X 等在页脚中被剔除）。

上述所有事实性表述（病例数、WHO 声明日期、法律生效日、疾病分类代码 U07.1 等）均可在基准文本 normal_4pages.md 的对应段落中直接查证，本文不做任何扩充性转述。

基准如何被“喂”进回归测试：四种检查一次跑全

以 normal_4pages 为代表的 PDF 基准由端到端测试驱动。核心入口是 tests/test_e2e_conversion.py 中的 test_e2e_pdfs_conversions()：它遍历 tests/data/pdf/sources/ 下全部 PDF，逐份调用 converter.convert(...)，再对每一份执行 verify_utils.py 中 check_conversion_result_v2() 的四项独立检查：

1. cells：比对预测页与 *.pages.meta.json 的逐页版面单元数（normal_4pages 对应 [60, 120, 80, 82]）；
2. docitems：将预测的 DoclingDocument 与 *.json 基准做结构化比对（标题、文本、表格、图片等条目的逐项校验）；
3. markdown：把预测文档用 export_to_markdown(compact_tables=True) 导出、经 _normalize_newlines() 统一换行后，与 *.md 基准文本比较；
4. doctags：把 export_to_doctags() 结果与 *.doctags.txt 比较（对列入 SKIP_DOCTAGS_COMPARISON 的样本可关闭）。

值得注意的设计：check_conversion_result_v2 不会“一个检查失败即中断”，而是把每个失败收集为 VerificationFailure 并全部汇报，保证一份坏文档不会掩盖其他文档的真实状态；test_e2e_pdfs_conversions 最终将结果渲染成 PASS/FAIL 表格后统一断言。此外在 generate=True（基准再生成模式，开关见 tests/test_data_gen_flag.py）下，同一函数会把四个基准文件全部重写——这保证“基准”与“校验逻辑”同源、可再生成，而不是手工维护的死数据。

要在本地复现回归：

# 在仓库根目录执行：转换并校验全部 PDF 基准
python -m pytest tests/test_e2e_conversion.py -q

# 单独校验多页样本的“页面全部到位”行为
python -m pytest tests/test_failed_pages.py -q

控制样本的双重身份：既是基准，也是“正常对照”

normal_4pages 不仅在 markdown 基准层被使用，还被 tests/test_failed_pages.py 用作“正常 PDF”对照：该测试用 StandardPdfPipeline + PdfPipelineOptions(do_ocr=False, do_table_structure=False) 配置转换该文件，并断言其转换状态为 ConversionStatus.SUCCESS、result.document.pages 恰好包含 1..4 全部页码、且 result.errors 为空。它验证的正是 docling-core 的“即使个别页面解析失败，也要保留失败页以保证页码连续与分页标记正确”这一修复（见文件头部注释引用的 docling-core PR 466）在完全正常的 4 页 PDF 上不会误伤。换言之，normal_4pages 是测试矩阵中的“黄金基线”：正常文档必须不触发任何失败页逻辑，而 markdown 基准又必须与版面预测严格一致。

消费同一份数据的另一入口：直接加载 JSON 做下游实验

normal_4pages 的转换结果还被镜像到示例数据目录 docs/examples/data/normal_4pages.json，并被 docs/examples/trivial_chunking.py 直接消费。该示例实现了一个“透传 chunker”：子类化 BaseChunker 后把 DoclingDocument 中的每个 DocItem（标题、文本、表格、图片…）按阅读顺序输出为一个 DocChunk，不分组也不合并，使下游可做元素级索引。运行方式为：

python docs/examples/trivial_chunking.py