[PDF Generator] Grade de tabela desalinhada quando thead/tbody são inconsistentes (pós-fix do #1371)

[Rossi-Luciano]

Descrição do problema

O PR #1373 (issue #1371) corrige o IndexError que travava a geração inteira do PDF quando uma tabela tem <thead>/<tbody> com números de colunas diferentes. Mas a correção usa max(colunas do header, colunas do body) apenas como largura defensiva da tabela DOCX — ela evita o crash, não garante que o conteúdo fique posicionado na coluna correta. Revisando os PDFs reais gerados a partir do corpus de 593 artigos, o conteúdo de várias tabelas sai desalinhado mesmo sem crash.

Achados (revisão de @pitangainnovare no PR #1373, mais 1 achado complementar encontrado durante revisão automatizada do mesmo PR):

1. BJT – Tabela 5: <thead> mistura <td/> e <th>. Como a extração considera somente <th>, a célula vazia inicial é descartada e os cabeçalhos "Idade" e "Experiência" ficam deslocados uma coluna para a esquerda.
2. RBCS – Tabela 1: o cálculo da largura não considera as posições já ocupadas por rowspan de linhas anteriores. Cabeçalhos como "MDL" e "Increase in cumulative NH3-N loss" não ficam posicionados corretamente.
3. DELTA – Tabela 6: o XML tem uma inconsistência real entre os colspan declarados e a quantidade de colunas do corpo. O PDF é gerado, mas os grupos do cabeçalho continuam desalinhados.
4. RBPV (2 artigos): a geração deixa de falhar, mas colunas vazias adicionais podem comprimir as tabelas.
5. Célula de cabeçalho sem estilo (achado complementar): quando o corpo é mais largo que o cabeçalho, _populate_headers só estiliza células até len(header_row), não até num_cols — a(s) coluna(s) extra(s) do cabeçalho ficam sem texto e sem nenhuma formatação (sem negrito, sem tamanho 7pt, sem margens ajustadas), destoando visualmente das demais células do cabeçalho.

Passos para reproduzir o problema

1. bjt/v29/2764-1589-bjt-29-e1526.xml (anexo a36.xml no corpus layout_examples_rafael/corpus/): gerar o PDF e observar a Tabela 5 com cabeçalho deslocado uma coluna para a esquerda.
2. rbcs/v50/... (corpus layout_roberta, ainda não copiado para layout_examples_rafael): gerar o PDF e observar a Tabela 1 com cabeçalhos mal posicionados por causa de rowspan não contabilizado.
3. delta/v42n2/...: gerar o PDF e observar a Tabela 6 com grupos de cabeçalho desalinhados.
4. rbpv/v35n1/... e rbpv/v35n3/...: gerar o PDF e observar colunas vazias extras comprimindo as tabelas.
5. Reproduzir o achado 5 isoladamente chamando add_table() com headers=[['', 'H1']] e rows=[['row-label', 'A', 'B']] (header com 2 colunas, body com 3, sem colspan) — a 3ª célula do cabeçalho sai sem nenhum run no .docx gerado.

Comportamento esperado

Os cabeçalhos e colunas devem ficar alinhados fielmente com a estrutura declarada no XML, mesmo quando <thead>/<tbody> têm contagens de colunas diferentes ou misturam <td>/<th>. Nenhuma célula de cabeçalho deveria ficar sem formatação aplicada.

Direção de correção sugerida (@pitangainnovare, no review do PR #1373): reescrever a extração da grade da tabela como um único algoritmo que:

1. considere <th> e <td> na ordem em que aparecem;
2. preserve células vazias;
3. reserve as posições ocupadas por rowspan;
4. aplique colspan;
5. produza dados e spans na mesma passagem.

Para XMLs realmente inconsistentes (caso DELTA), o comportamento deveria ser conservador: respeitar os spans declarados, completar posições ausentes com células vazias e, se possível, emitir um aviso — sem inferir automaticamente uma nova estrutura semântica.

O max(...) introduzido no PR #1373 deveria permanecer apenas como proteção defensiva contra crash, não como a solução de posicionamento.

Screenshots ou vídeos

Não anexado nesta issue — os PDFs analisados (BJT, RBCS, DELTA, RBPV) estão descritos no review do PR #1373.

Anexos

• a36.xml já está em layout_examples_rafael/corpus/ (referenciado pela issue [PDF Generator] Crash ao gerar PDF quando cabeçalho e corpo de uma tabela têm números de colunas diferentes #1371/PR fix: nao trava geracao quando cabecalho e corpo de tabela tem colunas diferentes (#1371) #1373) — reproduz o caso BJT.
• Os XMLs de RBCS, DELTA e RBPV (2 artigos) estão no corpus layout_roberta/pacote_xml_pdf_csv/ fornecido pela Roberta, ainda não copiados para o corpus de amostras layout_examples_rafael/corpus/.

Ambiente utilizado

packtools, gerador de PDF (packtools/sps/formats/pdf/), encontrado durante o review do PR #1373 (issue #1371) e complementado durante revisão automatizada do mesmo PR, contra o corpus real de 593 artigos fornecido pela Roberta.