文档表格提取方法

可视化演示

展示PDF/Word文档表格识别、工具对比与合并单元格处理的完整流程，支持模式切换与参数交互。

表格识别基础

走进档案馆的第一步，是学会辨认“什么是菜谱表格”。旧食谱里，用料清单总是被印刷成规规矩矩的格子：最上面一行写着“食材、用量、备注”，下面每一行对应一种食材。在文档处理领域，这种由行和列围成的二维网格就叫表格，围出每个小空间的格子叫单元格，最上面那行叫表头，表头之下每一行都是代表一种食材的数据记录。RAG 系统要检索表格，得先让程序知道“哪里是表格”。

有了定义还不够，真正的难点在识别。就像有的菜谱用明显线条画格子（有线表格），有的只用空格和缩进暗示结构（无线表格），还有的老菜谱是整页扫描的图片（图片型表格）。PDF 里文字还分“活字印刷”和“照片成像”两种底层形式，识别策略完全不同。所以动手提取前，先做分类：表格是否有边框、是否是扫描件、表头是否多级——这些信息直接决定用哪类工具。

为了量化“抄得完不完整”，可以用提取完整度来度量：把文档里真实存在的单元格总数当作分母，把工具成功提取出的单元格数当作分子。分数越接近 1，说明抄录得越齐全。

回到档案馆的场景：如果连哪些页有表格都分不清，后面的抄写工具再利索也白搭。表格识别基础，就是把“哪些是表格、什么类型、难点在哪”先摸清楚，这一步做对了，后面按图索骥就轻松得多。

PDF提取工具

印刷版的菜谱活页（PDF）是档案馆里最难抄的部分。PDF 天然只记录每个文字块的位置，不告诉你哪几条线围成了一个表格。好在有专门的“抄写工具”：PyMuPDF 像一把轻快的剪刀，擅长快速剪下文字及其坐标，适合表格线条清晰、结构简单的页面；pdfplumber 像一把细齿梳，会沿着文字行去推断哪些字符处于同一行同一列，对带边框的表格效果很好；Camelot 则像一位耐心的拓印工，先用计算机视觉算法找出页面上的直线，再根据虚拟线条重建出完整网格，复杂表格也拿得下，但安装依赖较重、速度偏慢。

工具一多就面临选型。实践里的经验法则是：先看页面有没有明显的直线边框。有框线的优先试 pdfplumber，它轻量且对文字型 PDF 友好；无框线或框线残缺的，用 Camelot 靠线条重建网格往往更稳；如果只是想快速拿到文本块坐标自己拼表，则选 PyMuPDF。选错了工具，就像用剪刀去拓印，事倍功半。

选型之后如何判断工具抄得好不好？可以把工具输出与人工标注的标准答案做字符相似度比较。两段文本共同字符数的两倍，除以两段文本长度之和，得到 0 到 1 的相似度分数。

就像抄完菜谱后拿原稿抽查几个字，相似度帮助我们判断这个“抄写工具”到底准不准。把 pdfplumber、Camelot 分别在测试页上跑一遍相似度对比，选分数最高的那只笔，再正式开工抄全部表格。

Word提取方法

比起印刷的 PDF，档案馆里的 Word 电子稿就“乖”多了。Word 文档本身就是电子数据，表格结构被完整保存在内部文档模型里，不需要用视觉去猜，直接伸手到文件里就能把表格原样掏出来。在 Python 里，python-docx 就是那只手——它把 Word 文档解析成内存对象，其中 doc.tables 保存了文档中所有表格。

拿到表格对象后，遍历便是顺理成章的事：先遍历 doc.tables 得到每个表格，再遍历 table.rows 得到每一行，最后遍历 row.cells 取出每个单元格的文本。这就像把电子稿里的“用料清单”逐行复制粘贴到新文档里，不需要 OCR，也不需要图像识别，准确率天然就高。

Word 表格还保留着丰富的样式信息：单元格的合并状态、行高列宽、底纹颜色、字体加粗，都能被读取。这些信息在“还原表格”时非常有用——比如渲染回 Markdown 或 HTML 时，可以把表头单元格设为加粗、把合并结构保留下来。抄写电子稿菜谱，连排版风格都可以一并带走。不过在读取时也要注意：合并单元格会让 row.cells 返回重复的对象，需要结合合并信息去重。

在档案馆的电子稿区域，抄表几乎不受“印刷模糊”的困扰。遇到跨行跨列的怪格子时，只要记住“把起点值广播到覆盖区域”这条规则，Word 表格就能被整整齐齐地搬进结构化清单里。

合并单元格

旧菜谱里常出现这样的排版：一栏“调味料”的竖排文字，横跨了三行食材——酱油、糖、醋下面共用这一个分类名。这种跨行跨列的格子在文档术语里叫合并单元格，是表格提取中最容易翻车的地方。如果不处理，三行数据中只会有第一行有“调味料”，另外两行全空，下游检索时就会丢掉两条记录。

第一步是合并识别。在 Word 的底层 XML 里，合并单元格会有 rowspan 或 colspan 属性；而在 PDF 里没有这么明确的标识，只能看“某个格子是否同时与多个格子共享一条边框”来推断。识别出合并区域后，第二步做行列映射：记录合并区域的起始行列和跨度，把“哪些行、哪些列共享同一个值”建模清楚。最后一步是数据填充：把起始格的值复制到合并覆盖的所有逻辑位置，让每个格子都有值可读。

一个合并区域本质上是一个矩形：从起点 (r0, c0) 横向延伸到 c0+colspan-1、纵向延伸到 r0+rowspan-1，覆盖范围内的所有格子在逻辑上都等于起点格的值。

处理合并单元格就像给旧食谱的跨行分类补上重复标注：虽然印刷原稿只写了一次，但你在抄录本上每行都要写一遍，这样检索时每行食材都能对应到正确的分类，不会因为缺值而被漏掉。

转结构化数据

表格抄完，最后一步是把抄录清单录入手机 App 的菜品数据库。从通用表格到可供 RAG 检索的数据，中间要过三道关。第一关是表头提取：默认表格第一行是字段名，把“食材、用量、备注”这些列名逐一摘出来，必要时还要处理多级表头。第二关是行转记录：每一行数据都对应菜谱里的一种食材，变成一个独立的记录对象。第三关是字段映射：把第一行的表头当作键，把当前行的单元格当作值，凑成一个“字段名：内容”的配对集合。

完成这三关后，所有记录组合起来就是一个 JSON 数组。JSON 是 RAG 系统非常喜欢的输入格式——它既是纯文本，又保持了结构，放进向量检索或关键词检索都清晰可解析。相比把整页表格塞成一段话，结构化之后的每一“行”都能单独成为一条可检索的知识单元，召回质量会有质的提升。

把这三关理清，可以用公式表达“每一行变一条记录”：

进入 App 的不仅是“菜名和正文”，更是每条整齐的记录。RAG 系统拿到 JSON 数组后，可以灵活地对任意字段做检索，就像在手机里按“食材”或“用量”筛选菜品一样自如。

质量评估

抄完一整个档案馆的菜谱，不能直接交差，得随机抽查几页，对照原稿看看有没有抄漏、抄错。这就是表格提取的质量评估环节，也是 RAG 数据上线前的最后一道闸门。完整性检查负责统计：提取出的单元格数对比真实单元格数，差距过大说明有表格被整体跳过，或某些行列被漏读。准确性校验负责内容层面：抽样几十条记录，人工或规则化地比对原文，看看文字是否有串位、错位。

召回率评估则从检索视角回答“有没有漏掉表格本身”。假设文档里实际有 10 个表格，程序只提取到 8 个，那么表格级别的召回率就是 80%。在 RAG 场景里，漏掉一个表格往往意味着对应问题永远得不到正确答案，所以召回率比精确率更值得优先关注。

质量评估就像档案馆的终检员，拿着放大镜抽查几页菜谱，确认没有漏行漏列才允许入库。在 RAG 系统中，只有通过完整性、准确性和召回率三重检查的表格数据，才值得写进知识库，否则检索到的“结构化表格”里可能处处是坑。

AI 应用场景

Python 演示

"""从 PDF 与 Word 中提取表格并转为结构化 JSON 的演示"""import jsonfrom typing import List  def extract_pdf_tables(pdf_path: str) -> List[List[List[str]]]:    """使用 pdfplumber 从 PDF 页面中提取表格"""    import pdfplumber    tables = []    with pdfplumber.open(pdf_path) as pdf:        for page in pdf.pages:            for table in page.extract_tables():                tables.append(table)    return tables  def extract_word_tables(docx_path: str) -> List[List[List[str]]]:    """使用 python-docx 从 Word 中提取表格"""    from docx import Document    doc = Document(docx_path)    tables = []    for table in doc.tables:        rows = []        for row in table.rows:            cells = [cell.text.strip() for cell in row.cells]            rows.append(cells)        tables.append(rows)    return tables  def fill_merged_cells(table: List[List[str]]) -> List[List[str]]:    """把合并单元格的值广播到覆盖位置，避免缺值"""    filled: List[List[str]] = []    for r, row in enumerate(table):        new_row = []        for c, cell in enumerate(row):            if cell:                new_row.append(cell)            elif r > 0:                new_row.append(filled[r - 1][c])            else:                new_row.append("")        filled.append(new_row)    return filled  def tables_to_records(tables: List[List[List[str]]]) -> List[dict]:    """表头映射为键，每一行转为一条 JSON 记录"""    records = []    for raw in tables:        table = fill_merged_cells(raw)        if not table:            continue        header = [h.strip() for h in table[0]]        for row in table[1:]:            record = {}            for i, cell in enumerate(row):                key = header[i] if i < len(header) else f"col_{i}"                record[key] = cell            records.append(record)    return records  def main() -> None:    pdf_tables = extract_pdf_tables("report.pdf")    docx_tables = extract_word_tables("notes.docx")    records = tables_to_records(pdf_tables + docx_tables)    print(json.dumps(records[:5], ensure_ascii=False, indent=2))  if __name__ == "__main__":    main()

1. page.extract_tables()用 pdfplumber 把一页 PDF 里所有表格以“行×列”的二维列表返回，是 PDF 表格提取的核心入口。
2. doc.tablespython-docx 把 Word 文档中所有表格暴露成一个可遍历集合，直接拿到表格对象。
3. cell.text.strip()取出单元格文字并去掉首尾空白，避免换行符和空格污染后续 JSON 字段。
4. new_row.append(filled[r - 1][c])当前格为空时向上取上一行同列的值，完成纵向合并的复制填充。
5. header[i] if i < len(header)把表头第 i 列当作键名，行单元格当作值，实现“表头→字段名”的映射。
6. json.dumps(records[:5], ensure_ascii=False, indent=2)打印前 5 条记录，ensure_ascii=False 让中文正常显示。

常见误区

面试题