📊 数据处理

PDF 表格提取

从 PDF 文件中提取表格数据，转换为可编辑的 Excel 或 CSV 格式

★★☆ 中级 10-15 min 2025年1月12日

概述

PDF 中的表格数据无法直接编辑和分析。Claude 可以帮你从 PDF 提取表格，保留结构和格式，转换为 Excel 或 CSV，便于进一步处理。

先了解 PDF 的结构和表格数量。

请分析 ~/documents/report.pdf：

总页数
包含多少个表格
每个表格在第几页
表格的大致内容（表头）
PDF 是文本格式还是扫描件

从指定页面提取表格。

请从 report.pdf 第 3 页提取表格：

识别表格边界
提取表头和所有数据行
保持单元格对齐
输出为 CSV：~/documents/table_page3.csv
显示提取的行数和列数

提取文件中的所有表格。

请提取 report.pdf 中的所有表格：

每个表格保存为单独的 CSV 文件
文件命名：table_page[页码]_[序号].csv
如果表格跨多页，自动合并
生成索引文件列出所有提取的表格及其内容摘要
保存到 ~/documents/extracted_tables/ 目录

优化提取结果的质量。

请清理提取的表格数据：

删除空行和空列
去除页眉页脚信息
修正合并单元格导致的空值
统一数字格式（删除千分位符号）
标准化日期格式
重新保存为 ~/documents/extracted_tables/cleaned/

将多个表格整理到一个 Excel 文件。

请创建 Excel 文件：~/documents/all_tables.xlsx

每个表格作为一个工作表
工作表命名：表格1、表格2…
添加”目录”工作表，列出所有表格的页码和简介
应用基本格式：表头加粗、冻结首行、自动列宽

扫描版 PDF 需要先 OCR 识别，准确率会降低。复杂表格（大量合并单元格、嵌套表格）可能提取不完整，建议人工检查。

如果 PDF 是文本格式且表格规整，提取准确率很高。如果提取失败，可以尝试不同的 Python 库（pdfplumber、camelot、tabula），它们处理不同格式的 PDF 效果不同。

Q: 提取的表格乱了怎么办？ A: 可能是 PDF 中表格没有明确边框线，或使用了空格对齐而非真正的表格。可以尝试调整提取参数，或手动指定表格区域坐标。

Q: 如何处理跨页表格？ A: 告诉 Claude 这是跨页表格，它会识别连续页面的相同表头，自动合并为一个完整表格。

Q: 可以保留表格的颜色和样式吗？ A: 基本提取通常只保留文本内容。如果需要保留样式，可能需要更复杂的 PDF 解析，或考虑截图表格后用 OCR 处理。