要可靠地用 AI 提取 PDF 表格，應先判斷表格在檔案內的編碼方式，再定義輸出結構，按少量頁面分批處理，最後逐項回到原 PDF 核實。真正可用的交付物不只是試算表，還要包含頁碼、單位、註腳、異常紀錄，以及數值沒有在提取過程中失真的證據。

關鍵要點

保留原始 PDF，不要覆寫，並在提取前盤點每張表。

把 OCR、表格結構重建、資料正規化和後續分析分開。

保留多層表頭、單位、註腳、正負號、頁碼和不確定項目。

在分析前核對結構、總計、抽樣儲存格和異常值。

這套方法是通用 AI 工作流程在結構化資料任務中的受控應用。如果你只需要理解文件內容，可使用文件摘要方法；表格提取必須保留儲存格層級的證據。

提取 PDF 表格前要檢查甚麼？

先判斷 PDF 是可選取文字、掃描圖片，還是兩者混合。掃描 PDF 可能只有圖像資料，沒有可搜尋文字，因此要先做光學字元識別。Adobe 亦建議保留原檔副本，並在 OCR 後檢查文字是否準確完整。［1］

可選取文字不代表存在可靠表格結構。有些頁面只是把文字放在不同座標，看來像表格，卻沒有明確行列關係；帶標籤的 PDF 則可能提供表格、列、表頭儲存格和資料儲存格。

在上載或轉換任何檔案之前，先建立表格清單：

表格 ID	PDF 頁碼	標題	文字或掃描	預期列數	預期欄數	單位	備註
T-01	4–5	季度數量	文字	12 加表頭	6	千	第 5 頁續表
T-02	9	地區比率	掃描	8 加表頭	5	百分比	兩層表頭

同時紀錄檔名、發布日期、頁面標籤，以及印刷頁碼是否與閱讀器索引一致。涉及個人資料或機密時，先最小化和匿名化，並確認所用 AI 服務獲准處理該資料等級。

怎樣定義輸出 schema？

在要求 AI 提取數值之前，先寫清輸出欄位。schema 可避免模型自行加入方便的欄位、把不同的表頭壓平，或悄悄把註腳變成資料。

每個輸出欄位都要界定：

準確的欄位名稱；
來源表頭及其層級；
資料類型和空值的含義；
單位與比例；
正負號、括號或符號是否帶有含義；
來源頁碼和表格 ID；
不確定或異常欄位。

實務上，長表結構往往比立即重建寬試算表更安全：

table_id	page	row_label	column_path	raw_value	normalized_value	unit	footnote	status
T-02	9	北區	2025 / 轉換率	`7.4%`	`7.4`	百分比	a	已核實

把 raw_value 與 normalized_value 分開。移除千位分隔符、百分號、貨幣符號、括號或長破折號都屬於轉換，必須明確並可逆。

如何安全地分批用 AI 提取 PDF 表格？

按表格和頁碼範圍分成小批處理。掃描頁先做 OCR，再檢查可搜尋文字層，然後才重建表格。不要在同一個提示中要求模型提取整份報告並撰寫摘要。

可使用以下提示：

只提取第 9–10 頁的表格 T-02。按所提供的 schema，每個來源資料列輸出一列。多層表頭以斜線連接，保留為 column_path。把每個儲存格按顯示原樣複製到 raw_value，包括括號、負號、百分號、上標和破折號。正規化值放在獨立欄位。註明 PDF 頁碼、列標籤、單位、註腳標記和異常說明。不要推斷空白、無法辨認、合併或重複的值；一律標記為待覆核。

擴大處理規模前，先把首批結果與 PDF 對照。若表頭錯位、資料列消失或符號改變，應修訂 schema 或預處理步驟，而不是要求模型「更準確一點」。

Adobe 說明了把 PDF 直接轉換為試算表的功能，但匯出的活頁簿仍是需要覆核的提取結果。［2］把原始匯出檔保存為中間產物，並在獨立、經覆核的修正層中作出更正。

多層表頭、合併儲存格和跨頁列如何處理？

W3C 的 PDF 表格技術區分表格、列、表頭儲存格和資料儲存格的結構，並為跨越多個位置的儲存格提供跨列和跨欄屬性。［3］即使 PDF 的標籤不正確，這些概念仍然有用：應重建邏輯層級，而不是只複製視覺上最頂的一行。

使用以下規則：

把多層表頭展開為明確路徑，例如 2025 / 收入 / 實際。
只有視覺關係毫無歧義時，才把合併的列標籤重複到輸出列。
只有識別碼和欄位次序明確延續時，才合併跨頁的資料列。
從資料中剔除每頁重複的表頭，同時記錄已將其移除。
以明確的 row_type 保留小計、總計和章節列。
把無法辨認的儲存格、被截斷的標籤和含糊的跨度送入異常佇列。

絕不要只因上一列有值就填補空白。空白可能代表零、不適用、被抑制、無法取得、刻意省略，或在視覺上承接合併儲存格。

提取過程中最常遺失哪些含義？

最具破壞性的錯誤往往是細小字元，而不是整列資料。檢查：

以括號或前置負號表示的負數；
單位、千或百萬等比例標示；
百分比與小數分數；
小數點和千位分隔符；
表示無資料而非零的長破折號；
註腳標記及其所指的註腳文字；
排除了特定類別的總計；
格式取決於地區設定的日期；
具有既定含義的上標、星號或底色。

建立異常紀錄，而不是悄悄更正不確定的儲存格：

異常 ID	表格/頁碼	儲存格或列	觀察到的問題	候選解釋	決策負責人	處理結果
E-014	T-02 / 9	北區，比率	字元可能是 `7.4` 或 `1.4`	查看較高解像度的頁面	分析員	待處理

如何核實提取出的 PDF 表格？

核實應結合確定性控制和由來源到輸出的逐項檢查。NIST 把生成式 AI 自信地產生錯誤內容稱為虛構（confabulation），並建議覆核生成式 AI 輸出中的來源和引用。［4］把每個提取出的儲存格都視為一項關於 PDF 的主張。

進行四層檢查：

1. 結構檢查

比較預期和實際的表格數量。
比較列數和欄數，包括表頭列和總計列。
確認每個輸出列都有表格 ID 和來源頁碼。
檢查表頭路徑是否唯一且次序正確。
確認跨頁續表既沒有重複列，也沒有漏列。

2. 控制總數檢查

表格提供可加總的資料時，重新計算已公佈的總數。比較小計、總計、百分比、最小值、最大值或其他領域控制數。總計一致雖然有用，卻不能證明每個儲存格都正確，因為錯誤可能互相抵銷。

3. 分層儲存格抽樣

從首列、中間列和末列，每一頁，每個主要欄位，負數和零值，帶註腳的儲存格，以及 OCR 密集區域抽取儲存格。記錄抽樣的來源值、提取值、覆核人和結果。

4. 異常覆核

對提取出的欄位排序或作分佈分析，找出意外的正負號、不可能的日期、不一致的單位、突然的欄位錯位、重複的識別碼、中間的空列，或與相鄰項目相差甚遠的數值。修改任何異常之前，先回到 PDF 查證。

使用以下驗收清單：

檢查	證據	結果
清單涵蓋	所有表格 ID 和頁碼均已處理	通過/失敗
結構	預期與實際的列數和欄數	通過/失敗
總計	已公佈與重算的控制數	通過/失敗/不適用
抽樣	由來源到輸出的儲存格紀錄	通過/失敗
異常	每項歧義都有負責人和處置結果	通過/失敗

只有經覆核並獲接納的輸出，才可進入試算表分析。提取缺陷與分析發現要分開處理。

最終提取包應包含甚麼？

保存凍結的 PDF 引用、表格清單、OCR 設定、提取提示、schema、原始輸出、正規化輸出、異常日誌、核實報告和批准結論。工具名稱和日期可幫助重現，但不要把固定模型版本當成品質保證。

重要任務應由第二位覆核人抽查已通過儲存格，並檢查所有未解決異常。AI 答案事實核查方法可用來記錄主張與來源；AI 私隱風險指南可協助判斷哪些資料不應上載。

總結

凍結並盤點 PDF，再開始提取。
分開 OCR、結構重建、正規化和分析。
以 schema 保留頁碼、表頭、單位、符號和註腳。
小批量提取，把歧義放入異常日誌。
核實結構、總計、分層抽樣和異常。
保存可追溯材料，讓每個通過值都能回到 PDF。

常見問題

AI 能提取掃描 PDF 的表格嗎？

可以，但通常要先做 OCR。先檢查 OCR 文字層，因為表格解析器不能可靠修復錯誤識別的字元。

PDF 匯出為 Excel 就足夠嗎？

不足夠。匯出檔只是中間結果，仍要核對表頭、列邊界、單位、符號、註腳、總計和抽樣儲存格。

合併儲存格應如何處理？

按邏輯跨列或跨欄關係重建完整表頭路徑。關係不清楚時不要自動重複值，應標記待覆核。

應抽查多少儲存格？

採用風險導向抽樣，覆蓋每頁、主要欄位、總計、負數、零、註腳、OCR 區域和異常值。高影響表格可能需要全量核實。

總計一致能證明提取正確嗎？

不能。錯誤可能互相抵消，文字欄位和列標籤亦不影響總計。總計檢查要配合結構核實和儲存格抽樣。

空白儲存格可以填成零嗎？

只有來源或獲批准的資料定義明確如此時才可以。否則保留空白，另行紀錄含義或不確定性。

提取後可立即讓 AI 分析嗎？

只有通過提取驗收後才適合分析，否則分析可能只是在解釋轉錄或結構錯誤。

免責聲明：本流程用於資料準備和覆核，不取代專業審計、領域驗證或責任人的正式批准。

來源:

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。

延伸閱讀：

如何用 AI 提取 PDF 表格：OCR、多層表頭與結果核實清單