怎么把 PDF 里的表格提取出来

先说结论 结论：如果 PDF 是电子表格导出的（有文字层），复制粘贴往往就能得到行列结构；如果是扫描件，必须走表格 OCR，且必须人工校对。

先试最简单的办法：直接复制

如果这份 PDF 是从 Excel / WPS 直接导出的，里面的表格其实是有结构的。在阅读器里框选整张表，复制，粘贴到 Excel 里，大概率能直接还原行列。

试一次只花十秒。能成功就不用往下走了。

扫描件里没有行列信息，只有像素。模型需要同时判断"这里有哪些字"和"这些字属于第几行第几列"，后者要难得多。所以表格 OCR 的准确率天生低于普通文字 OCR。

CSV 用逗号分隔字段，而中国用户的表格里经常出现千分位（1,234.56）和带逗号的地址，Excel 打开 CSV 时会把这些内容切开，一列变好几列。

xlsx 保留完整结构，打开即可用，不需要在导入向导里反复调参数。

这四步能拦掉绝大多数严重错误。表格数据通常要用于计算或申报，错一个数字的代价远高于校对所花的时间。

第一种是漏行。当表格的行距比字高只有一点点时，模型会把两行当成一行。判断方法很简单：数一下结果的行数，和原件对比。这是最容易发现也最容易被忽略的错误。

第二种是列错位。当表格里存在合并单元格时，后续行的列会整体偏移。表现是某一列的值跑到了相邻列里，或者整行数据右移一格。这类错误很难靠肉眼扫一遍发现，建议抽查最右侧一列的值是否合理。

第三种是表头被当成数据。多层表头、带斜线的表头单元格很容易被拆成多行数据，导致结果多出几行。如果第一行看起来不像表头，基本就是这个问题。

第四种是数字被拆开。当金额里的小数点或千分位正好落在单元格边界上时，模型可能把 1,234.56 拆成 1 和 234.56 两个单元格。核对时重点看小数位数是否一致。

这些准备只需要一两分钟，但能显著降低后面的校对成本。对需要精确数字的财务、审计场景来说，这个投入产出比非常高。

还有一个容易被忽略的细节：识别前把表格里的单位（元/万元）确认清楚。很多报表的表头写"单位：万元"，如果校对时只盯数字不看单位，很容易在后续汇总时把量级搞错。单位属于表头信息，恰恰是 OCR 最容易丢的部分。

扫描件里的文字选不中、搜不到，本质是因为它只是一张图。这里做的是真正的文字识别：把图上的字读出来，重排成可以继续编辑的 Word。

把 PDF 里的文字抠出来，尽量保留换行和段落。提取过程不上传文件，结果可以复制或存成 txt。

要发到公众号、贴进 PPT、还是做打印稿？按需要选 DPI，页面直接渲染成图，一张张下载或者一次打包。

只想把第 3 到第 8 页发出去？按页拆、按份数拆、或者每页一个文件，拆完打成一个 ZIP 一次下载。