要可靠地用 AI 提取 PDF 表格，先判断表格在文件中如何编码，再定义输出结构，按少量页面分批处理，最后逐项回到原 PDF 核验。真正可用的交付物不只是电子表格，还应包含页码、单位、脚注、异常记录，以及数值没有在提取中走样的证据。

关键要点

保留原始 PDF，不做覆盖，并在提取前盘点每张表。

把 OCR、表格结构重建、数据规范化和后续分析分开。

保留多层表头、单位、脚注、正负号、页码和不确定项。

在分析前核对结构、总计、抽样单元格和异常值。

这套方法是通用 AI 工作流在结构化数据任务中的受控应用。如果你只需要理解文档叙述，可使用文档摘要方法；表格提取必须保留单元格级证据。

提取 PDF 表格前要检查什么？

先判断 PDF 是可选择文字、扫描图片，还是两者混合。扫描生成的 PDF 可能只有图像数据，没有可搜索文字，因此要先做光学字符识别。Adobe 也建议保留原文件副本，并在 OCR 后检查文字是否准确完整。［1］

可选择文字不等于存在可靠表格结构。有些页面只是把文字放在不同坐标，看起来像表格，却没有明确的行列关系；带标签的 PDF 则可能暴露表格、行、表头单元格和数据单元格。

在上传或转换任何文件之前，先建立表格清单（table manifest）：

表格 ID	PDF 页码	标题	文字或扫描	预期行数	预期列数	单位	备注
T-01	4–5	季度数量	文字	12 加表头	6	千	第 5 页续表
T-02	9	地区比率	扫描	8 加表头	5	百分比	两层表头

同时记录文件名、发布日期、页面标签，以及文档印刷页码是否与阅读器索引一致。涉及个人资料或机密时，先最小化和脱敏，并确认所用 AI 服务获准处理该数据等级。

怎样定义输出 schema？

在提取前写清输出列，避免 AI 自行增加方便的字段、压平不同层级的表头，或把脚注混进数据。每个字段应定义：

准确的列名；
来源表头及其层级；
数据类型及空值含义；
单位与缩放比例；
正负号、括号和符号的语义；
来源页码与表格 ID；
不确定状态和异常说明。

初期使用长表结构往往比直接重建宽表更安全：

table_id	page	row_label	column_path	raw_value	normalized_value	unit	footnote	status
T-02	9	华北	2025 / 转化率	`7.4%`	`7.4`	百分比	a	已核验

把 raw_value 与 normalized_value 分开。删除千位分隔符、百分号、货币符号、括号或破折号都属于转换，必须明确且可逆。

如何安全地分批用 AI 提取 PDF 表格？

按表格和页码小批量处理。扫描页先做 OCR，再检查可搜索文字层，然后重建表格。不要在同一个提示词中要求模型提取整份报告并写总结。

可复制以下提示词：

只提取第 9–10 页的表格 T-02，并按给定 schema 每个来源数据行输出一行。多层表头用 / 连接为 column_path。raw_value 必须逐字保留括号、负号、百分号、上标和破折号；规范化值另放字段。保留 PDF 页码、行标签、单位、脚注和异常说明。不要推断空白、模糊、合并或重复值，统一标记为待复核。

先把首批结果逐格对照 PDF。若表头错位、行丢失或符号变化，应调整 schema 或预处理，而不是笼统要求模型“更准确”。Adobe 提供 PDF 转 Excel 的导出功能，但导出的工作簿仍是需要复核的提取结果。［2］把原始导出文件作为中间产物保存，并在单独的、经过复核的修正层中进行更正。

多层表头、合并单元格和跨页行怎么处理？

W3C 的 PDF 表格技术区分表格、行、表头单元格和数据单元格，并用 RowSpan、ColSpan 表达跨行或跨列单元格。［3］即使原 PDF 标签不正确，也应按这种逻辑关系重建，而不是只复制视觉上最上方的一行。

把多层表头展开为 2025 / 收入 / 实际 这样的完整路径。
只有视觉关系无歧义时，才把合并的行标签重复到输出行。
只有标识和列顺序明确连续时，才合并跨页行。
删除每页重复表头时，记录删除规则。
用 row_type 区分明细、小计、总计和章节行。
模糊文字、截断标签和不清楚的跨度进入异常队列。

不要因为上一行有值，就自动填充空白。空白可能表示零、不适用、被抑制、不可用、故意省略，或来自合并单元格。

哪些细节最容易在提取中丢失？

逐项检查：

括号或负号表示的负数；
个、千、万、百万等缩放单位；
百分比与小数；
小数点和千位分隔符；
表示无数据而不是零的破折号；
脚注标记及对应脚注正文；
排除某些类别的总计；
依赖 locale 的日期；
上标、星号或底色代表的业务含义。

不确定时建立异常表，不要静默修正：

异常 ID	表格/页码	单元格或行	问题	候选解释	决策人	处理结果
E-014	T-02 / 9	华北，比率	可能是 `7.4` 或 `1.4`	查看更高分辨率页面	分析负责人	待处理

如何核验提取出的 PDF 表格？

NIST 把生成式 AI 自信给出错误内容称为 confabulation，并建议核查输出中的来源和引用。［4］核验应结合确定性控制和从来源到输出的逐项检查。在表格任务里，每个提取单元格都是关于原 PDF 的一项主张。

进行四层检查：

1. 结构核验

对比预期和实际的表格数量。
对比行数和列数，包括表头行和总计行。
确认每行都有表格 ID 和来源页码。
检查表头路径是否唯一且顺序正确。
确认跨页续表没有重复或漏行。

2. 总计核验

在可加总时重新计算小计和总计，并比较百分比、最小值、最大值或领域控制数。总计一致仍不能证明每个单元格正确，因为两个错误可能相互抵消。

3. 分层抽样

抽查首行、中间行、末行、每个页面、主要列、负数、零、脚注单元格、OCR 密集区和异常值。记录来源值、提取值、复核人和结果。

4. 异常检查

对提取字段排序或做分布检查，寻找意外符号、不可能日期、单位变化、整列错位、重复标识、内部空行或极端值。任何修改都应先回到 PDF 查证。

验收表可以是：

检查	证据	结果
manifest 覆盖	所有表格 ID 和页码均已处理	通过/失败
结构	预期与实际行列数	通过/失败
总计	发布值与重算值	通过/失败/不适用
抽样	来源到输出的单元格记录	通过/失败
异常	每项都有负责人和结论	通过/失败

只有通过验收的数据，才进入电子表格分析。提取缺陷与分析发现必须分开。

最终提取包应包含什么？

保存冻结的 PDF 引用、table manifest、OCR 设置、提取提示词、schema、原始输出、规范化输出、异常日志、核验报告和审批结论。工具名称与日期可用于复现，但不要把固定模型版本当成质量保证。

重要任务应由第二位复核人抽查已通过单元格，并检查所有未解决异常。AI 答案事实核查方法可用于记录主张到来源的映射；AI 隐私风险指南可帮助判断哪些资料不应上传。

总结

冻结并盘点 PDF，再开始提取。
分开 OCR、结构重建、规范化和分析。
用 schema 保留页码、表头、单位、符号和脚注。
小批量提取，把歧义放入异常日志。
核验结构、总计、分层抽样和异常。
保存可追溯材料，让每个通过值都能回到 PDF。

常见问题

AI 能提取扫描 PDF 的表格吗？

可以，但通常要先做 OCR。先检查 OCR 文字层，因为表格解析器无法可靠修复错误识别的字符。

PDF 导出为 Excel 就够了吗？

不够。导出文件只是中间结果，仍需核对表头、行边界、单位、符号、脚注、总计和抽样单元格。

合并单元格应该怎样处理？

按逻辑跨行或跨列关系重建完整表头路径。关系不明确时不要自动重复值，应标记待复核。

应该抽查多少单元格？

采用风险导向抽样，覆盖每页、主要列、总计、负数、零、脚注、OCR 区域和异常值。高影响表格可能需要全量逐格核验。

总计一致能证明提取正确吗？

不能。错误可能相互抵消，文字字段和行标签也不影响总计。总计检查必须结合结构核验和单元格抽样。

空白单元格可以填成零吗？

只有来源或获批准的数据定义明确如此时才可以。否则保留空白，并另行记录含义或不确定性。

提取后能立即让 AI 分析吗？

只有通过提取验收后才适合分析，否则分析可能只是在解释转录或结构错误。

免责声明：本流程用于数据准备和复核，不替代专业审计、领域验证或责任人的正式批准。

来源:

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 2026 年 8 月 30 日。

延伸阅读：

如何用 AI 提取 PDF 表格：OCR、多层表头与结果核验清单