包含十几个数据表（每个数据表都有一个单独的报告部分）的 PDF 提出了转换挑战。将整个 PDF 转换为单个 CSV 会产生一个混乱的电子表格，其中第三部分的表标题出现在第二部分数据的中间。 PDF 到 Excel一次性转换整个文档的工具不区分表格。将每个表提取到自己的 CSV 文件中需要更具选择性的方法，将每个表视为较大文档中的独立数据源。
目标是为每个表生成一个 CSV 文件，每个 CSV 包含 PDF 中源表中的正确列标题和数据行。输出文件的数量与文档中不同表的数量相匹配。这种方法使每个数据集保持干净并准备好导入到分析工具、数据库或单独的电子表格选项卡中，而无需手动后处理来分离混合的表数据。
WukongPDF 的提取 PDF 数据工具可识别 PDF 中的表格结构并以结构化格式导出。对于具有多个独立表的文档，下面描述的提取工作流程会生成干净的每个表 CSV 输出。
PDF 表格提取的工作原理
表提取引擎分析每个 PDF 页面上文本字符的空间位置。水平靠近的字符形成单词。以规则的垂直间隔排列在水平行中的单词形成表格行。列之间的垂直间隙定义了列边界。该引擎将字符分组到单元格中，将单元格分组到行中，再将行分组到表结构中，然后将表导出为分隔文本。提取的准确性取决于原始 PDF 表格的格式是否清晰。具有可见网格线、一致列宽且没有合并单元格的表格以近乎完美的精度提取。
合并单元格（其中一个单元格跨越多列或多行）会混淆空间分析，因为引擎无法确定合并单元格属于哪一列。具有按行交替的背景阴影的表可能会导致引擎将阴影边界误解为列边界。如果表格中的内容在单元格内换行为多行，则可能会导致引擎将每个换行行视为单独的行。在采用提取方法之前，请目视检查 PDF 表中的这些功能并相应地设置期望。
方法 1：使用 Adobe Acrobat Pro 导出单个表格
Acrobat Pro 可以将 PDF 导出到 Excel，然后您可以将工作簿拆分为单独的 CSV 文件。在 Acrobat Pro 中打开 PDF，转到“工具”，然后转到“导出 PDF”。选择电子表格作为输出格式，然后选择 Microsoft Excel 工作簿。单击导出。 Acrobat 处理整个文档并生成 XLSX 文件。在 Excel 中打开 XLSX。每个 PDF 页面的内容显示在单独的工作表上或连续的数据范围中，具体取决于文档布局。
确定每个表在 Excel 输出中的开始和结束位置。选择第一个表的数据范围（包括其标题行），然后将其复制到新的 Excel 工作簿。将该工作簿保存为具有描述性名称的 CSV 文件，例如 Sales_Q1_2025.csv。对每个后续表重复此操作。对于最多包含五个表格的文档，这种手动方法可以可靠地工作。对于具有数十个表格的文档，手动复制并保存工作流程变得乏味，下面的自动化方法之一更实用。
方法 2：带表格检测的在线工具
一些在线 PDF 到 CSV 转换器包含表格检测功能，可识别文档中的各个表格。这些工具扫描 PDF，突出显示检测到的表格区域，并提供将每个检测到的表格导出为单独的 CSV 或 XLSX 工作簿中单独的工作表。 Tabula 是一款开源工具，既可以作为 Web 应用程序也可以作为本地桌面应用程序使用，专门用于此工作流程。上传 PDF，在要提取的每个表格周围绘制选择框，然后单击“导出”。 Tabula 为每个选定的表区域生成一个 CSV。
在实践中，在线提取的质量在很大程度上取决于PDF的内部结构。基于文本的 PDF（表格内容存储为实际文本字符）可以可靠地提取。扫描的 PDF 中的表格是文本图像而不是文本本身，因此在提取之前需要进行 OCR。如果 PDF 源自扫描仪，则首先通过 OCR 引擎运行 PDF，然后从可搜索的 OCR 输出中提取表格。 OCR 步骤会引入一些提取错误，特别是可能被误识别为外观相似字符的数字。
方法 3：使用 Python 和 Tabula 自动提取
对于重复提取任务或包含多个表的文档，使用 tabula-py 库的 Python 脚本可自动执行工作流程。该脚本打开 PDF，检测每个页面上的表格区域，将每个表格提取到 pandas DataFrame，并将每个 DataFrame 保存为单独的 CSV 文件。基本提取脚本大约需要 25 行代码。
tabula-py 库接受表检测策略的参数，例如具有可见网格线的表的网格模式和列由空格分隔的表的流模式。对于格式良好且带有边框的表格，点阵模式更加准确。流模式允许无边界表，但如果空白间隙不一致，则列可能会错位。对于具有混合表格样式的文档，运行提取两次，每种模式运行一次，然后比较输出以确定哪种模式为每个表格生成更清晰的数据。
| 方法 | 最适合 | 关键限制 |
|---|---|---|
| Adobe Acrobat Pro 导出 | 干净的表格，一两个 PDF | 与合并单元格的斗争 |
| 在线 PDF 转 CSV 工具 | 快速转换，无需安装 | 可能会错误处理多页表 |
| Python + 熊猫 + 板 | 批处理、复杂表格 | 需要脚本知识 |
处理跨多个页面的表格
从第 3 页延续到第 4 页的表格提出了一个特殊的挑战。提取引擎看到两个单独的表，每页一个，每个表在第 3 页上有自己的标题行，并且可能在第 4 页上有重复的标题。提取后，手动或使用脚本合并两个 CSV 文件，方法是将第二个文件中的数据行附加到第一个文件的数据行下方，从第二个文件中删除重复的标题行。
一些提取工具包括跨页或连接表选项，尝试自动合并多页表。当表结构跨页一致并且每个分页符发生在行边界时，该选项起作用。当分页符将一行分成两页时，例如从第 3 页底部开始到第 4 页顶部结束的带有换行文本的高行，自动合并会在第一个 CSV 的末尾生成一个部分行，并在第二个 CSV 的开头生成另一个部分行。对于这些边缘情况，需要手动检查和校正合并点。
将每个 PDF 表提取到其自己的 CSV 文件中会生成干净的、可供分析的数据，这些数据可以直接导入到任何电子表格或数据库工具中。您选择的方法取决于您需要提取的表数量以及执行此任务的频率。对于偶尔在少数表格上使用的情况，Acrobat Pro 的导出到 Excel 工作流程以及手动 CSV 拆分可以处理该工作。为了从标准化文档中重复批量提取，Python 和 Tabula 方法可以处理数百个 PDF，并获得一致的结果。
验证提取的 CSV 数据的准确性
将每个表提取到 CSV 后，在将数据导入分析管道之前运行快速验证。在电子表格应用程序中打开每个 CSV，并将行数与原始 PDF 表中的可见行数进行比较。计数应在一两行内匹配，考虑到可能跨越分页符的标题行。根据 PDF 抽查 CSV 中的数值：随机选择五个包含数字的单元格，并确认这些值完全匹配。
请特别注意原始 PDF 中包含合并单元格的列。提取引擎通常会在合并单元格跨越的所有列中复制合并单元格的值，或者将某些列留空。如果您的分析取决于保留的合并单元结构，请在后处理期间应用合并逻辑，而不是期望提取引擎正确处理它。读取 CSV 并根据预定义映射将列合并回其原始结构的简短 Python 脚本比依赖提取引擎的合并检测产生更可靠的结果。
何时使用 API 提取服务
对于大规模 PDF 表格提取，基于 API 的服务可提供比复杂布局的本地工具更高的准确性。 Amazon Textract、Google Document AI 和 Microsoft Form Recognizer 使用经过数百万种表格格式训练的机器学习模型，比基于规则的引擎更可靠地处理合并单元格、多行单元格内容和无边框表格。成本是每页的，对于偶尔的高价值提取来说是经济的，但对于每天批量处理数千页来说可能会很昂贵。
API 提取捕获基本工具错过的表上下文。即使标题跨越多个列，列标题也与数据单元格相关联。分层的父子标头被识别。输出是结构化 JSON 而不是平面 CSV，保留表语义以供下游处理。对于准确性影响财务或法律结果的关键业务数据，每页 API 成本只是手动更正提取错误的成本的一小部分。