如何从 PDF 提取表格

为什么 PDF 表格这么难提取

PDF 里没有“表格”这个概念。您看到的行与列，实际上只是一个个定位在 x/y 坐标上的文本片段，有时中间画了几条线。“表格”只存在于您的眼睛里 — 文件本身不存储单元格、行或表头。

因此，所有提取方法本质上都是重建：由算法猜测哪些文本片段属于同一个单元格、哪些单元格组成一行、列从哪里开始。有可见网格线的表格相对容易重建；仅靠空白分隔的表格、合并单元格、多行单元格和跨页表格，则是多数工具翻车的地方。

扫描版 PDF 又多了一层难度：页面只是一张照片，在 OCR 运行之前根本没有任何文字。请根据您的文档具体属于哪种情况来选择方法。

方法一：复制粘贴到 Excel（适合小型带线表格，最快）

对于简单、网格线清晰的表格，直接在 PDF 阅读器里选中、复制，然后粘贴到 Excel 或 Google Sheets。如果所有内容都挤进了一列，用“数据 → 分列”（Excel）或“数据 → 将文本拆分为列”（Google Sheets）重新拆分。

一个实用技巧：先粘贴到纯文本编辑器，看看保留下来的结构长什么样。如果各值之间是稳定的空格或制表符，分列功能就能恢复表格；如果各行已经交错或被截断，再怎么拆分也救不回来。

适用场景：单页、带网格线、单元格内容较短的表格。失效场景：合并单元格、单元格内多行文本、带千分位分隔符的数字被拆散，以及一切扫描版文档。

方法二：Excel Power Query 或 Word（系统自带，无需额外工具）

新版 Excel 可以直接导入 PDF 表格：数据 → 获取数据 → 来自文件 → 从 PDF。Excel 会扫描文档，列出检测到的所有表格并显示预览 — 选中目标表格点击“加载”，它就会以正规的表格区域进入工作表。这是 Windows 上最好的内置方案（需要 Microsoft 365 或 2021 及以上版本许可，Mac 版 Excel 并非所有版本都提供）。

Word 也能直接打开 PDF（文件 → 打开 → 选择该 PDF）。它会把文档转换成可编辑文件，简单表格通常能保留为真正的 Word 表格，可以直接复制进 Excel。

适用场景：数字原生、网格线清晰的 PDF。失效场景：仅靠空白分隔的表格经常被漏检或错误拆分，跨页表格会被导入为多个碎片，而扫描版 PDF 则什么都提取不到 — Power Query 不做 OCR。

方法三：Python 库 — camelot、tabula-py、pdfplumber（开发者）

如果需要以编程方式从大量 PDF 中提取表格，成熟的开源选项有：camelot（带线表格效果最好，提供两种检测模式）、tabula-py（Java 引擎 Tabula 的封装，对格式一致的版面表现稳定）和 pdfplumber（对文字、线条和矩形的底层控制 — 需要自定义逻辑时最合适）。

一个最简 camelot 示例：pip install camelot-py[cv]，然后 tables = camelot.read_pdf("report.pdf", pages="all")，tables[0].df 就是一个 pandas DataFrame，用 .to_csv() 或 .to_excel() 即可导出。

坑在于：每个库都有自己偏好的版面风格，而真实世界的文档往往混合多种风格。您需要按文档类型逐一调参（camelot 的 flavor="stream" 与 "lattice"、tabula 的区域提示），而且它们都处理不了扫描版 PDF — 只能先跑 OCR，但版面信息也就随之丢失了。

如果想更全面地了解 Python 中的 PDF 解析（不止表格），可参阅我们的「用 Python 把 PDF 转成 Markdown」指南。

方法四：AI 智能提取（扫描件、混合版面、规模化）

最新的思路是使用文档理解模型，让它像人一样“看”页面 — 从视觉版面识别表格结构，而不是依赖网格线或坐标启发式规则。这是唯一能在一次处理中同时应对扫描文档、拍照页面和不规则版面的方法类别。

ParseJet 就是这样工作的：在 parsejet.com/tools/pdf-to-markdown 上传 PDF，表格会按阅读顺序以干净的 Markdown 表格返回 — 扫描页自动 OCR。如果想要数据而不是文本，API 可以把解析后的文档以结构化形式返回（参见 PDF 转 JSON 工具），每个文件一次 POST 请求，非常适合批量管道。

适用场景：扫描件和拍照文档、网格线与空白分隔混杂的版面，以及无法逐份调参的批量处理。代价是：它是托管服务 — 如果只是从一份干净 PDF 里取一次表格，方法一或方法二更快。

该选哪种方法？

一份小型带线表格，只提取一次：复制粘贴（方法一）；粘出来乱了就退而用 Excel Power Query（方法二）。

版面固定的周期性报表：表格用户选 Power Query，开发者选 camelot 或 tabula-py（方法三）— 一次配置，之后每份文件都受益。

扫描件、照片或混乱的混合版面：AI 提取（方法四）现实中是唯一不用手动重新录入的选择。

成百上千份版面各异的文档：通过 API 使用方法四 — 方法三那些库的逐文档调参，超过几种版面类型就无法扩展了。