PDF 表格抽取的三条技术路线对比：规则、库解析与版面识别

企业文档处理绕不开 PDF 表格。参数表、报价单、检测报告、对账单，多数以 PDF 形式留存，而下游系统需要的是结构化字段。这篇文章把实际用过的三条路线摊开对比：规则/文本坐标法、PDF 库解析法、版面识别法，并给出选型判据与可运行的最小实现。

路线一：文本坐标法

思路最朴素：把每页文本连同坐标取出来，按 y 坐标聚类成行、按 x 坐标切列。

优点是可控、可解释、不依赖第三方模型；缺点是对合并单元格、跨页表格、无表线的三线表都不友好。适合格式高度固定的场景，比如自己系统生成的报表。

python 复制代码

import fitz  # PyMuPDF

def cells_by_position(page, y_tol=3.0, x_gap=8.0):
    """按坐标聚类：先按 y 分行，再按 x 间距切列"""
    words = page.get_text("words")             # (x0,y0,x1,y1,word,...)
    words.sort(key=lambda w: (round(w[1]), w[0]))
    rows, cur, cur_y = [], [], None
    for w in words:
        if cur_y is None or abs(w[1] - cur_y) <= y_tol:
            cur.append(w)
            cur_y = w[1] if cur_y is None else cur_y
        else:
            rows.append(cur)
            cur, cur_y = [w], w[1]
    if cur:
        rows.append(cur)

    table = []
    for r in sorted(rows, key=lambda r: r[0][1]):
        r = sorted(r, key=lambda w: w[0])
        line, cell, last_x1 = [], "", None
        for w in r:
            if last_x1 is not None and w[0] - last_x1 > x_gap:
                line.append(cell.strip())
                cell = ""
            cell += w[4]
            last_x1 = w[2]
        line.append(cell.strip())
        table.append(line)
    return table

> 阈值 y_tol、x_gap 必须按实际文档校准，这也是这条路线的成本所在：换一种模板就要重调一次。

路线二：PDF 库解析法

主流库各自封装了表格检测：

| 库 | 机制 | 适用 | 代价 |

|---|---|---|---|

python 复制代码

import pdfplumber

def tables_pdfplumber(path, page_no=0):
    with pdfplumber.open(path) as pdf:
        page = pdf.pages[page_no]
        out = []
        for tb in page.extract_tables():
            out.append([[ (c or "").replace("\n", " ").strip() for c in row] for row in tb])
        return out

经验值：有框线的表格，这条路线的准确率通常在 90% 以上；无框线的三线表掉到 60% 附近，需要回退到路线一或三。

路线三：版面识别法

把页面渲染成图，用检测模型（表格结构识别）出框线与单元格，再做 OCR。这条路线的优势是无框线、扫描件、倾斜拍摄都能处理；代价是引入模型与算力，且需要后处理纠错。

落地时常见的折中方案是分层触发：先跑路线二，对识别结果做质量校验（行列数是否为空、单元格是否出现明显错位），不合格的页面再送路线三。这样在混合来源的文档集上，既控制了算力，又保住了召回。

关键的校验环节

无论走哪条路线，入库前都应过一遍这几项检查，它们比提高识别率更能减少下游事故：

行列一致性 ：同一列的数值量级不应出现突跳（如 12、15、120000）；
表头对齐 ：识别到的表头字段是否与目标 schema 能一一映射；
单位与量纲 ：抽出的数字必须带上单位字段，否则后续无法比较；
跨页拼接：检测页面底部是否存在延续表，按表头是否重复判断续页。

python 复制代码

def sanity_check(rows, expected_cols):
    issues = []
    if not rows:
        return ["空表"]
    widths = {len(r) for r in rows}
    if widths != {expected_cols}:
        issues.append(f"列数不一致: {sorted(widths)}")
    for i, r in enumerate(rows):
        if all((c or "").strip() == "" for c in r):
            issues.append(f"第 {i} 行为空")
    return issues

选型判据

给一个简化的决策表：

· 文档由本系统生成、格式稳定 → 路线一，最省依赖；

· 文档来自外部、多数有框线 → 路线二，性价比最高；

· 存在扫描件、拍照件、无框线表格 → 路线三，或路线二 + 三分层；

· 只做一次、量很小 → 人工核对反而更快，别过度工程化。

小结

三条路线没有绝对优劣，只有与文档来源是否匹配。实践中收益最大的步骤，往往不是换更贵的模型，而是先对文档来源分层：哪些是自己生成的、哪些是外部来的、哪些是扫描的，然后各走各的通道，最后统一做质量校验。

顺带一提，抽取结果的可用性还取决于源文档的一致程度。同一份参数在正文写"≥800MPa"、在附件写"800MPa 级"时，无论识别多准，下游拿到的都是两个不同的值。识别技术解决"读得到"，一致性问题只能靠源头的口径统一来解决。

（本文代码基于 Python 3.10、PyMuPDF 与 pdfplumber 实测，可直接运行。）