如何将 PDF 表格提取到 Excel：5 种方法对比
PDF 将表格存储为分散在 x,y 坐标上的文本片段——没有行、列或单元格。本文将介绍如何将这些数据实际导入电子表格，涵盖从免费的浏览器工具到 Python 脚本的各种方法。
您手头有一个 PDF 文件，里面有您需要的 Excel 表格。这可能是一份财务报告、银行对账单、发票或研究论文。数据就在那里——在屏幕上整齐地排列成行和列。但当您尝试提取它时，一切都乱套了。
发生这种情况是因为 PDF 并不是一种数据格式，而是一种显示格式。在 PDF 规范中，没有“表格”、“行”或“列”的概念。看起来像结构化表格的内容，实际上是放置在画布特定 x,y 坐标上的数十个文本片段。将这种结构还原到电子表格中是一个逆向工程问题，不同的工具处理此问题的成功率各不相同。
本指南涵盖了 5 种从 PDF 提取表格的方法、每种方法的最佳适用场景，以及出现问题时的应对措施。
为什么从 PDF 提取表格如此困难
PDF 格式没有表格
PDF 规范 (ISO 32000-2:2020) 定义了一个内容流——一系列在精确坐标处定位单个字符的操作。一个简单的表格行，如“日期 | 描述 | 金额”，可能会被存储为：
BT /F1 10 Tf 72 650 Td (01/15/2026) Tj 200 0 Td (Office Supplies) Tj 180 0 Td (125.00) Tj ET
这里没有 <table>、<tr> 或 <td> 标签，没有行标识符，也没有列边界。您在单元格周围看到的视觉线条是完全与文本分离的绘图操作。提取工具必须根据空间关系推断出整个结构。
三种类型的表格边框
有框线（Lattice）表格在每个单元格周围都有可见的线条。这些表格最容易提取，因为线条明确定义了单元格边界。常见于正式财务报表、政府表格和标准化报告中。
无框线（Stream）表格完全没有线条。结构完全由空白对齐定义——在多行中共享一致 x 坐标的文本项形成隐含的列。常见于研究论文、发票和产品目录中。
半框线表格只有部分边框——通常在各节之间有水平线，但没有垂直分隔线。这在银行对账单、证券报告和公用事业账单中极其常见。这些表格最难提取，因为部分边框会误导有框线模式的解析器，而缺失的边框会降低流模式的置信度。
有标签与无标签 PDF
有标签的 PDF 包含识别标题、段落和表格单元格的结构化元数据。无标签的 PDF 则完全没有这些信息——提取工具只能获取原始坐标。绝大多数 PDF 都是无标签的，包括几乎所有的银行对账单、发票和财务报告。
方法 1：PDFSub 提取表格（免费 + AI 兜底）
PDFSub 的 提取表格工具 采用三层方法，在降低成本的同时最大限度地提高准确率：
第一层：基于坐标的检测（浏览器端，免费）
该工具首先尝试完全在您的浏览器中进行提取：
- 解析 PDF 内容流，提取每个文本项及其 x,y 坐标
- 根据 y 坐标的接近程度将文本项分组为行
- 分析跨行的 x 坐标对齐模式以检测列边界
- 要求至少 3 行、2 列且置信度达到 70% 以上
如果找到了优质表格，您将立即获得结构化数据——无需上传服务器，不消耗 AI 点数，且您的文件永远不会离开您的设备。
第二层：服务端提取 (pdfplumber, 免费)
如果基于坐标的检测未发现表格，工具将在服务器上使用 pdfplumber (MIT 许可)。这可以检测显式线条（绘制的边框）和隐含线条（单词对齐模式），寻找交点，识别矩形，并将文本映射到单元格。
第三层：AI 提取（消耗点数）
对于扫描版 PDF、复杂布局或规则方法无法解析的表格，工具会回退到 AI 驱动的视觉提取。当您知道表格非常复杂时，也可以切换“强制 AI 提取”直接进入此层。
输出格式： Excel (.xlsx), CSV, JSON。
最适合： 无需安装软件的快速提取。数字版 PDF 完全在您的浏览器中处理，以实现最大程度的隐私保护。
方法 2：Excel 中的 Power Query（仅限 Windows）
适用于 Windows 上的 Excel 2019+ 和 Microsoft 365：数据 → 获取数据 → 来自文件 → 来自 PDF。
操作步骤
- 点击 数据 → 获取数据 → 来自文件 → 来自 PDF
- 选择您的 PDF 文件
- Power Query 会显示一个导航器面板，列出每页检测到的表格
- 选择您需要的表格，点击 转换数据 进行清理，然后点击 加载
优点
- 内置于 Excel — Microsoft 365 订阅者无需额外付费
- Power Query 的转换引擎可以很好地处理后期处理（向下填充、透视、合并列）
- 如果源 PDF 更新，可以刷新数据
- 支持连接来自同一 PDF 的多个表格
局限性
- 仅限 Windows — 在 Mac 版 Excel、Excel 网页版或移动版中不可用
- 处理无框线表格较吃力 — 最适合处理边框清晰的表格
- 无 OCR — 无法从扫描件/图像 PDF 中提取
- 多页表格处理麻烦 — 每一页通常作为单独的表格导入，需要手动拼接
- 多行单元格 — 单元格内换行的文本经常会拆分成多行，需要清理
最适合： 拥有 Microsoft 365 且处理简单有框线表格的 Windows 用户。
方法 3：Adobe Acrobat（付费）
文件 → 导出 PDF → 电子表格 → Microsoft Excel 工作簿
价格 (2026)
- Acrobat Standard：12.99 美元/月（年度计划）
- Acrobat Pro：19.99 美元/月（年度计划）
- Export PDF（独立版）：较低级别的仅限转换计划
优点
- 内置针对扫描文档的 OCR
- 对于简单的有框线表格，通常能保留格式
- Pro 版本支持批量处理
局限性
- 仅为了提取表格而言价格昂贵 — 每年 156–240 美元
- 带有合并单元格和跨多页的复杂表格仍会产生错位的输出
- 文件可能会上传到 Adobe 云端进行处理——对于敏感的财务数据存在风险
- 需要安装桌面客户端
最适合： 已经付费订阅 Acrobat Pro 且偶尔需要带 OCR 功能的表格导出的用户。
方法 4：复制粘贴（手动）
最直观的方法，也是处理表格时最常失败的方法。
常见问题
- 所有数据都在一列中 — 整个表格粘贴后没有列分隔
- 数字变成文本 — 货币符号、括号和分隔符会破坏数字格式
- 多行单元格内容产生幻影行 — 在单元格中跨两行换行的描述会变成两个独立的行
- 表头与数据分离 — 表头行会断开连接
- 列错位 — 数据发生偏移，因为字符间距无法转换为制表符
部分解决方法
粘贴到 Excel 后，使用 数据 → 分列，选择空格或固定宽度分隔符。启用“将连续分隔符视为单个处理”。这适用于非常简单、间距良好的表格，但对于任何具有多词单元格内容的表格都会失败。
最适合： 作为最后手段提取单个小型简单表格。
方法 5：Python 库（面向开发者）
三个 MIT 许可的库可以通过编程方式处理 PDF 表格提取：
Tabula-py
Tabula (Java) 的 Python 封装。需要 Java 运行环境。
- Lattice 模式用于有框线表格（寻找线条和交点）
- Stream 模式用于无框线表格（使用文本对齐）
- 适合脚本中的批量处理
- 不支持 OCR
Camelot
同样提供 lattice 和 stream 模式。
- 在处理有框线表格方面通常优于 Tabula
- Stream 模式具有更多用于微调的配置参数
- 每次提取都会提供准确率报告
- 需要 Ghostscript 依赖。不支持 OCR
pdfplumber
基于坐标的方法：提取每个字符及其精确位置，然后推断结构。
- 处理最广泛的表格类型
- 提供最大的控制权，但需要更多配置
- 这是 PDFSub 在服务端使用的库
- 不支持 OCR
最适合： 自动化处理重复性表格提取工作流、处理大量相似文档的开发者。
常见问题及解决方法
合并单元格
当单元格跨越多个行或列时，大多数工具要么将内容放在左上角单元格并留空其他单元格，要么使后续所有列错位。目前没有通用的解决方案——CSV 格式没有合并概念，因此合并信息总是会丢失。
解决方法： 提取表格后，在 Excel 中手动修复合并痕迹。对于具有相同合并模式的重复性表格，可以考虑编写后期处理脚本。
单元格内的多行内容
单元格内换行的长描述在输出中会变成多行，导致后续所有数据对齐失效。这是财务文档提取中最常见的错误。
解决方法： 提取后，寻找缺失日期和金额的行——这些很可能是属于上一行的延续行。在 Excel 中，手动合并它们或使用辅助公式。
跨多页的表格
工具必须确定表格在哪里继续，是否去除重复的表头，以及如何过滤页脚。许多工具将每一页独立对待。
解决方法： 如果您的工具按页提供结果，请合并工作表并删除重复的表头行。检查第 N 页的最后一行是否与第 N+1 页的第一行正确连接。
货币格式问题
括号中的负数 ((1,234.56)) 会被粘贴为文本而非数字。货币符号和千分位分隔符也会破坏数字格式。
解决方法： 提取后，选中金额列并使用“查找和替换”删除 $、(、) 字符。然后将该列格式化为数字。对于括号负数，将 ( 替换为 - 并删除 )，然后转换为数字格式。
日期歧义
01/02/2026 — 是 1 月 2 日还是 2 月 1 日？提取工具会按原样保留字符串，但 Excel 可能会根据您的区域设置重新解释它。
解决方法： 检查源 PDF 中的日期格式线索（寻找日期值大于 12 的日期）。在导入前将 Excel 的日期格式设置为与源文件匹配。
准确率对比
| 方法 | 简单有框线 | 无框线 | 半框线 | 扫描版 PDF |
|---|---|---|---|---|
| PDFSub (坐标 + AI) | 90–99% | 75–95% | 70–95% | 85–95% (AI) |
| Power Query | 85–95% | 40–60% | 50–70% | 不支持 |
| Adobe Acrobat | 90–95% | 70–80% | 70–85% | 80–90% |
| Tabula | ~68% | 55–70% | 50–65% | 不支持 |
| Camelot | ~73% | 65–75% | 60–70% | 不支持 |
| 复制粘贴 | 30–50% | 10–30% | 10–30% | 不可能 |
范围反映了文档复杂性的差异。基准数据来自 Procycons 2025 PDF 提取基准测试和 Camelot 对比研究。
您应该使用哪种方法？
| 场景 | 最佳方法 | 原因 |
|---|---|---|
| 快速单次提取 | PDFSub | 无需安装，基于浏览器，免费坐标提取 |
| 简单有框线表格 (Windows) | Power Query | 内置于 Excel，无额外成本 |
| 扫描版 PDF | PDFSub (AI) 或 Adobe Acrobat | 需要 OCR 能力 |
| 敏感财务数据 | PDFSub | 基于浏览器的处理，文件永不上传 |
| 重复性批量处理 | Python (pdfplumber) | 可脚本化，可自动化 |
| 已有 Acrobat Pro | Adobe Acrobat | 已付费，处理简单表格效果好 |
| 无工具提取单个小表格 | 复制粘贴 | 最后手段，需仔细核对 |
获得最佳效果的技巧
使用原生 PDF。 从源头下载文档，而不是扫描纸质文件。原生 PDF 具有完美的文本，使提取准确率大幅提升。
先识别表格类型。 有框线表格几乎适用于任何工具。无框线表格需要流模式或 AI 提取。了解类型有助于您预先选择正确的方法。
从免费的基于规则的方法开始。 先尝试基于坐标的提取。只有当基于规则的方法效果不佳时，再升级到 AI——这样可以节省时间和点数。
务必核对输出。 检查行数、列对齐、数值和总计。永远不要盲目信任提取输出。
注意数字格式。 提取后，在 Excel 中确认数字确实是数字（右对齐），而不是文本字符串（左对齐）。货币符号和括号负数是常见的干扰项。
对于敏感数据，首选基于浏览器的工具。 财务报告、银行对账单和税务文件包含敏感信息。在浏览器中处理 PDF 的工具永远不会上传您的文件，从而消除了数据泄露风险。
免费试用
准备好从您的 PDF 中提取表格了吗？立即上传文件 —— PDFSub 首先尝试免费的基于坐标的提取，对于复杂表格则提供 AI 兜底。数字版 PDF 完全在您的浏览器中处理。开始 7 天免费试用。