从PDF提取一张十几页的明细表，最容易忽略的问题是：第一页看起来完全正常，翻到后面，项目名称却落进了金额列，重复表头混进数据行，某一条长名称还被拆成两条记录。数字可能都识别出来了，但它们之间的关系已经错了。
跨页表格提取后出现错列，先检查分页处的表头、断行和单位，再决定怎样拼接。逐页导出后直接纵向合并，往往会把原本局部的问题带进整张数据表。
同一张表，翻页后未必保持同一种布局
PDF主要记录页面上的呈现位置。人看到下一页顶部的"续表"，能顺着前一页理解；提取程序则需要判断哪些文字属于表头，哪些是上一行延续下来的内容。
例如，一张采购明细表的列为"项目名称、规格、数量、单价、金额"。第一页项目名称较短，第二页出现多行名称，数量和金额只在其中一行出现。若按文字行直接切分，就可能得到几条缺字段的记录。数据行数增加了，实际项目数并没有增加。
另一种情况是宽表在不同页调整了列宽。按固定横坐标划分列，在前一页有效，到下一页可能把列边界附近的文字分错。扫描页还要额外检查倾斜、模糊和表格线断裂，这些会影响文字与单元格的对应。
因此，定位问题时最好找到第一处异常对应的原页，连同前一页底部和后一页顶部一起查看。只盯着导出结果，很难知道缺失内容应该从哪里补回来。
重复表头可以处理，但要先认清它的身份
跨页表格常在每页重复列名。如果这些列名作为普通数据保留下来，后续求和、筛选和字段类型判断都会受影响。可以依据已经确认的列名组合识别重复表头，但不宜只看到"合计"或"项目"两个字就删除整行。
先检查三件事：列数是否一致，列名顺序是否相同，表格标题和期间是否延续。只有这些信息能够对应，才适合按同一张表继续整理。
特别要留意多层表头。例如上层是"本期"和"上期"，下层各有"数量、金额"。如果仅保留下层列名，就会出现两个同名"金额"列。整理成数据表时，应明确区分"本期金额"和"上期金额"，保留原来的层级含义。
遇到下一页重新出现完整表题、统计期间也改变的情况，应先判断是否已经进入另一张表。页面连续，不代表数据应该连续合并。
续行和空单元格，不能用同一条填充规则
检查断行时，可以结合原页判断项目名称是否续写、金额是否只出现一次，以及该行有没有独立序号。不能仅凭某列为空，就认定它属于上一条记录。
空单元格也可能代表多种情况：合并单元格覆盖的分类、原文确实留空，或识别时遗漏了内容。只有明确属于共享分类时，才适合向下补齐分类字段。金额列的空白尤其不应直接填零，原文中的横线也要按表内说明解释。
| 导出后的现象 | 回看原页时的重点 | 整理动作 |
|---|---|---|
| 翻页后出现一行列名 | 是否与前页同表、同期间 | 确认后排除重复表头 |
| 名称拆成多行，数字集中在一行 | 是否仍是同一项目 | 确认对应关系后合并文本 |
| 连续多行分类为空 | 是否来自纵向合并单元格 | 只补齐已确认的共享分类 |
| 数字齐全但统计结果偏差明显 | 单位、期间、列归属是否改变 | 先纠正含义，再进行计算 |
把解析结果和后续整理分开检查
需要经常处理长表时，可以使用PDF解析方案先提取文字与表格，再处理续表合并、字段命名和数据清理。庖丁PDF数据提取神器PDFlux提供PDF解析、OCR和表格提取等能力，可用于这一前置环节。复杂跨页表格能否保持正确行列关系，应以实际样本结果为准，后续仍需核验。
处理过程中建议另存一份原始提取结果，并在整理记录中保留源文件、页码或页段。这里的来源记录可以由工作流程补充，不应未经确认就假定所有导出格式都会自动携带。出现错列时，能够回到原页，比在最终表格里反复猜测更有效。
检查翻页处，再核对整表数量和金额
验收样本可以选一张同时包含重复表头、多行名称和单位说明的长表。先核对每个分页边界，再抽查金额列；保留原文明确给出的明细数量或合计数，与整理后的结果比较。数量一致、总额相符仍不代表每行都正确，但出现差异时，可以帮助缩小排查范围。
最终交给统计或业务系统的数据，应有清楚的列名、明确的单位和可解释的缺失值。跨页表格能否使用，取决于每条记录是否仍对应原文中的同一件事，而不仅是文件能否成功导出。