如何從 PDF 擷取表格

為什麼 PDF 的表格這麼難擷取

PDF 沒有「表格」這個概念。看起來像列與欄的東西，其實只是一段段被放置在 x/y 座標上的文字片段，有時中間畫了幾條線。「表格」只存在於您的眼睛裡 — 檔案本身沒有儲存格、沒有列、也沒有標題。

因此每一種擷取方法本質上都是重建：由演算法猜測哪些文字片段屬於同一個儲存格、哪些儲存格組成一列、欄從哪裡開始。有框線的表格（看得到格線）比較容易重建；只靠空白分隔的表格、合併儲存格、多行儲存格與跨頁表格，正是多數工具失手的地方。

掃描的 PDF 又多了一層難度：整頁其實是一張照片，在 OCR 執行之前完全沒有文字。請依據您的文件屬於哪種情況來挑選方法。

方法 1：複製貼上到 Excel（快速，適合小型框線表格）

面對簡單、框線清楚的表格，直接在 PDF 檢視器裡選取、複製，貼到 Excel 或 Google Sheets 即可。如果所有內容都擠進同一欄，可用「資料 → 資料剖析」（Excel）或「資料 → 將文字分隔成不同欄」（Google Sheets）重新拆分。

一個實用的變化做法：先貼到純文字編輯器，看看結構還剩下多少。如果值之間有一致的空格或 Tab 分隔，資料剖析就能救回表格；如果列已經交錯或被截斷，再怎麼拆分也救不回來。

適用情況：單頁、框線清楚、儲存格內容簡短的表格。失敗情況：合併儲存格、儲存格內含多行文字、帶千分位符號的數字被硬生生拆開，以及任何掃描文件。

方法 2：Excel Power Query 或 Word（內建功能，免裝工具）

新版 Excel 可以直接匯入 PDF 表格：資料 → 取得資料 → 從檔案 → 從 PDF。Excel 會掃描文件、列出所有偵測到的表格並顯示預覽 — 挑選表格、按下載入，它就會成為一個真正的試算表範圍。這是 Windows 上最好的內建選項（需要 Microsoft 365 或 2021 以上版本的授權，且並非所有版本的 Mac 版 Excel 都提供）。

Word 也能直接開啟 PDF（檔案 → 開啟 → 選取該 PDF）。它會把文件轉成可編輯的檔案，簡單的表格通常能以真正的 Word 表格保留下來，再複製進 Excel。

適用情況：數位產生、框線清楚的 PDF。失敗情況：只靠空白分隔的表格常被漏掉或拆錯欄，跨頁表格會被匯入成一段段分開的片段，而掃描 PDF 什麼都擷取不到 — Power Query 不會做 OCR。

方法 3：Python 函式庫 — camelot、tabula-py、pdfplumber（開發者）

如果您需要以程式方式從大量 PDF 擷取表格，成熟的開源選項有 camelot（框線表格表現最好，提供兩種偵測模式）、tabula-py（Java 引擎 Tabula 的包裝層，處理版面一致的報表很穩定），以及 pdfplumber（提供對文字、線條與矩形的低階控制 — 需要自訂邏輯時最合適）。

camelot 的最小範例：pip install camelot-py[cv]，然後 tables = camelot.read_pdf("report.pdf", pages="all")，tables[0].df 就是一個 pandas DataFrame，可用 .to_csv() 或 .to_excel() 匯出。

但有個現實問題：每個函式庫都有它偏好的版面風格，而真實世界的文件往往混雜各種風格。請預期要針對每一類文件調整設定（camelot 的 flavor="stream" 對 "lattice"、tabula 的區域提示），而且它們全都無法處理掃描 PDF — 您得先另外跑 OCR，過程中版面資訊也會流失。

想更完整了解 Python 處理 PDF 的做法（不只表格），可參考我們的「用 Python 把 PDF 轉成 Markdown」指南。

方法 4：AI 擷取（掃描 PDF、混合版面、大規模處理）

最新的做法是使用文件理解模型，像人一樣「閱讀」頁面 — 從視覺版面偵測表格結構，而不是依賴框線或座標啟發式規則。這是唯一能在同一趟流程中處理掃描文件、拍照頁面與版面不一致文件的方法類型。

ParseJet 就是這樣運作的：到 parsejet.com/tools/pdf-to-markdown 上傳 PDF，表格會依閱讀順序以乾淨的 Markdown 表格回傳 — 掃描頁面會自動進行 OCR。如果您要的是資料而不是文字，API 可將解析後的文件以結構化輸出回傳（參見 PDF 轉 JSON 工具），每個檔案只需一次 POST 請求，非常適合批次管線。

適用情況：掃描與拍照文件、框線與空白分隔混雜的版面，以及無法針對每份文件個別調校的批次處理。取捨在於：這是託管服務 — 若只是一份乾淨 PDF 上的單一表格，方法 1 或 2 更快。

該選哪一種方法？

一個小型框線表格、只做一次：複製貼上（方法 1），貼出來亂掉就改用 Excel Power Query（方法 2）。

版面固定的週期性報表：試算表使用者用 Power Query，開發者用 camelot 或 tabula-py（方法 3）— 一次性的設定會在之後每個檔案上回本。

掃描文件、照片或混亂的混合版面：AI 擷取（方法 4）實際上是唯一不必重新打字的選項。

數百份版面各異的文件：透過 API 使用方法 4 — 方法 3 那種逐文件調校的做法，超過少數幾種版面類型就撐不住了。