Чтобы надёжно извлекать таблицы из PDF с ИИ, сначала определите внутренний тип каждой таблицы, задайте схему результата, обрабатывайте небольшой диапазон страниц и сверяйте итог с исходным PDF. Полезный результат — не просто файл таблицы, а данные с номерами страниц, единицами, сносками, списком исключений и доказательством того, что значения не исказились.

Ключевые выводы

Сохраните исходный PDF неизменным и составьте реестр таблиц.

Разделяйте OCR, восстановление структуры, нормализацию и анализ.

Сохраняйте многоуровневые заголовки, единицы, сноски, знаки и неопределённость.

До анализа проверяйте форму таблицы, итоги, выборку ячеек и аномалии.

Это частный случай общего проверяемого процесса работы с ИИ. Если нужна только суть документа, подойдёт суммирование документов, но извлечение таблиц требует проверки на уровне ячеек.

Что проверить перед извлечением таблицы?

Определите, содержит PDF выделяемый текст, отсканированные изображения или оба типа страниц. В отсканированном PDF может быть только изображение без поискового текста, поэтому сначала требуется оптическое распознавание. Adobe также советует сохранить резервную копию и проверить точность текста после OCR.［1］

Выделяемый текст ещё не означает правильную структуру. Страница может выглядеть как таблица, хотя слова хранятся только по координатам. В размеченном PDF могут присутствовать отдельные элементы таблицы, строк, заголовочных и обычных ячеек.

Составьте реестр:

ID таблицы	Страницы	Название	Текст или скан	Ожидаемые строки	Ожидаемые столбцы	Единица	Примечание
T-01	4–5	Объём по кварталам	текст	12 плюс заголовок	6	тысячи	продолжение на стр. 5
T-02	9	Региональные ставки	скан	8 плюс заголовок	5	процент	два уровня заголовков

Запишите имя файла, дату публикации, схему нумерации страниц и различие между печатным номером и индексом просмотрщика. Если документ содержит персональные или конфиденциальные сведения, минимизируйте и обезличьте их и убедитесь, что выбранный сервис разрешён для этого класса данных.

Как определить схему результата?

Задайте поля до извлечения, чтобы ИИ не добавил удобные колонки, не объединил разные уровни заголовков и не превратил сноски в данные. Для каждого поля укажите название, исходный заголовок, тип, значение пустой ячейки, единицу и масштаб, смысл знаков, страницу, ID таблицы и статус неопределённости.

На первом этапе длинный формат часто безопаснее широкой таблицы:

table_id	page	row_label	column_path	raw_value	normalized_value	unit	footnote	status
T-02	9	Север	2025 / коэффициент	`7.4%`	`7.4`	процент	a	проверено

Храните raw_value отдельно от normalized_value. Удаление разделителей тысяч, знака процента, валюты, скобок или тире — отдельное преобразование, которое должно быть явным и обратимым.

Как безопасно извлекать таблицы из PDF с ИИ небольшими пакетами?

Обрабатывайте данные по одной таблице и небольшому диапазону страниц. Для скана сначала выполните OCR и проверьте текстовый слой. Не просите в одном запросе извлечь весь отчёт, интерпретировать цифры и написать выводы.

Шаблон запроса:

Извлеки только таблицу T-02 со страниц 9–10. Верни одну строку на каждую исходную строку по заданной схеме. Многоуровневые заголовки объедини через / в column_path. В raw_value дословно сохрани скобки, минусы, проценты, верхние индексы и тире; нормализованное значение помести отдельно. Добавь страницу PDF, метку строки, единицу, сноску и исключение. Не угадывай пустые, нечёткие, объединённые или повторённые значения — отправляй их на проверку.

Сверьте первую партию по ячейкам. Если сместились заголовки, исчезли строки или изменились символы, исправьте схему или подготовку данных, а не просите модель быть «точнее». Adobe описывает экспорт PDF в Excel, но экспортированный файл всё равно остаётся результатом извлечения, который нужно проверить.［2］ Сохраните исходный экспорт как промежуточный материал, а исправления вносите в отдельный проверяемый слой.

Как обрабатывать сложные заголовки и переносы страниц?

Методика W3C для PDF различает таблицу, строки, заголовочные и обычные ячейки, а для ячеек на несколько строк или столбцов использует RowSpan и ColSpan.［3］ Эти понятия помогают восстановить логику даже при плохой разметке PDF.

Разворачивайте заголовок в путь вроде 2025 / Выручка / Факт.
Повторяйте объединённую метку строки только при однозначной визуальной связи.
Соединяйте строку между страницами только при совпадении идентификатора и порядка столбцов.
Удаляя повторный заголовок страницы, записывайте правило.
Отличайте детали, подытоги, итоги и разделы полем row_type.
Нечёткие символы, обрезанные метки и спорные объединения отправляйте в очередь исключений.

Не превращайте пустую ячейку в значение сверху. Пустота может означать ноль, неприменимость, скрытое или недоступное значение либо часть объединённой ячейки.

Какие детали теряются чаще всего?

Самые опасные ошибки часто связаны не с целыми строками, а с отдельными символами. Проверяйте отрицательные числа в скобках или со знаком минус, масштаб в тысячах или миллионах, проценты и дроби, десятичные разделители, тире вместо нуля, маркеры и текст сносок, состав итогов, локальные форматы дат, верхние индексы, звёздочки и цветовые обозначения.

Не исправляйте спорное значение молча. Создайте журнал:

ID	Таблица/страница	Ячейка	Проблема	Варианты	Ответственный	Решение
E-014	T-02 / 9	Север, ставка	`7.4` или `1.4`	открыть страницу высокого качества	аналитик	открыто

Как проверить извлечённые таблицы?

Проверка должна сочетать детерминированные контрольные проверки и сверку результата с источником. NIST называет уверенно сформулированный ложный результат конфабуляцией и рекомендует проверять источники и ссылки в выводах генеративного ИИ.［4］ Считайте каждую извлечённую ячейку утверждением о PDF.

Проведите проверку на четырёх уровнях:

Проверка структуры

Сравните число таблиц, строк и столбцов с реестром.
Убедитесь, что у каждой строки есть ID таблицы и страница.
Проверьте уникальность и порядок путей заголовков.
Найдите пропуски и дубликаты на границах страниц.

Контрольные итоги

Пересчитайте подытоги и общие суммы, если данные складываются. Сравните проценты, минимумы, максимумы и другие контрольные показатели. Совпавшая сумма не доказывает правильность всех ячеек: ошибки могут взаимно компенсироваться.

Стратифицированная выборка

Проверяйте первые, средние и последние строки, каждую страницу и ключевой столбец, отрицательные и нулевые значения, сноски, участки OCR и аномалии. Записывайте исходное и извлечённое значение, проверяющего и результат.

Анализ аномалий

Ищите неожиданные знаки, невозможные даты, смену единиц, сдвиг столбцов, повторные ID, пустые внутренние строки и выбросы. Любое исправление сначала подтверждайте в PDF.

Проверка	Доказательство	Результат
Покрытие	все таблицы и страницы учтены	пройдено/ошибка
Форма	ожидаемые и фактические строки/столбцы	пройдено/ошибка
Итоги	опубликованные и пересчитанные значения	пройдено/ошибка/не применимо
Выборка	журнал сверки ячеек	пройдено/ошибка
Исключения	у каждого есть владелец и решение	пройдено/ошибка

Только принятый результат передавайте в анализ электронных таблиц. Ошибки извлечения нельзя смешивать с аналитическими выводами.

Что включить в итоговый пакет?

Сохраните ссылку на замороженный PDF, реестр, настройки OCR, запрос, схему, сырой и нормализованный вывод, журнал исключений, отчёт проверки и решение ответственного. Название инструмента и дата помогают воспроизведению, но фиксированная версия модели не является гарантией качества.

Для важных данных второй специалист должен проверить выборку принятых ячеек и все открытые исключения. Метод проверки ответов ИИ помогает связать утверждения с источниками, а руководство по рискам конфиденциальности — решить, что нельзя загружать.

Итоги

Заморозьте и опишите PDF до извлечения.
Разделяйте OCR, восстановление структуры, нормализацию и анализ.
Сохраняйте страницы, заголовки, единицы, знаки и сноски.
Извлекайте небольшими партиями и ведите журнал исключений.
Проверяйте форму, итоги, выборку ячеек и аномалии.
Храните пакет, позволяющий вернуть каждое принятое значение к PDF.

Часто задаваемые вопросы (FAQ)

Может ли ИИ извлечь таблицу из сканированного PDF?

Да, но сначала обычно нужен OCR. Проверьте распознанный текст, потому что табличный анализ не сможет надёжно восстановить уже неверно распознанные символы.

Достаточно ли экспортировать PDF в Excel?

Нет. Экспорт может быть полезным промежуточным файлом, но заголовки, границы строк, единицы, знаки, сноски, итоги и выборку ячеек всё равно нужно сверить с PDF.

Что делать с объединёнными ячейками?

Восстановите логический охват строк и столбцов. Если связь неоднозначна, не повторяйте значение автоматически, а отправьте его на проверку.

Сколько ячеек проверять вручную?

Выборка должна покрывать все страницы и ключевые столбцы, итоги, нули, отрицательные значения, сноски, OCR и аномалии. Для критичной таблицы может потребоваться полная сверка.

Совпадение итогов доказывает правильность?

Нет. Ошибки могут компенсироваться, а текстовые поля не влияют на сумму. Нужны также структурная проверка и выборка ячеек.

Можно ли заменить пустые ячейки нулём?

Только если это прямо задано источником или утверждённым определением данных. Иначе сохраните пустоту и её неопределённость.

Можно ли сразу анализировать извлечённые данные?

Только после приёмки извлечения. Иначе анализ может объяснять ошибки распознавания или структуры, а не исходные данные.

Отказ от ответственности: Процесс помогает подготовить и проверить данные, но не заменяет профессиональный аудит, предметную валидацию и решение ответственного владельца.

Источники:

Adobe Acrobat — Recognize text in scanned documents — https://helpx.adobe.com/acrobat/desktop/create-documents/scan-documents-to-pdfs/recognize-text.html
Adobe Acrobat — Convert PDFs to Microsoft Excel formats — https://helpx.adobe.com/acrobat/desktop/save-export-documents/convert-to-other-formats/pdf-to-excel.html
W3C WAI — PDF6: Using table elements for table markup in PDF documents — https://www.w3.org/WAI/WCAG21/Techniques/pdf/PDF6
NIST — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile — https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

Sources checked 30 августа 2026 г.

Рекомендуемые статьи:

Как извлекать таблицы из PDF с ИИ и проверять результат