PDF 提取表格到 Excel（含扫描版），断网批量可用

大家好，这里是办公智能体广场。最近过分的研究了下PDF提取表格到Excel里面的技术，无论是扫描版（图片）PDF  还是 文字可编辑版PDF 。

今天就总结下方案与教程：可以在断网环境将一批PDF里面的表格数据提取到Excel。

一、需求分析

我准备了几个PDF ，其中一个PDF 有63页， 然后在第61页出，有一个表格，如图所示：

 

然后还准备了另外一个扫描类型（图片）的PDF , 素材来自于公开网络。打开如图：

 

需要将上面的PDF 提取所有的表格，得到xlsx，我直接先放上面两个图的提取结果示意图：

 

 

二、实现方案一：小白上手

打开鲸闲办公智能体广场，找到 “PDF 提取表格到Excel”，如图：

注意，可断网使用！！！ 

 

获取： 宫中&浩气： “老罗软件”。然后将所有的PDF 进行输入，如图：

 

这里，我需要说明一些设置参数的意义。

识别页范围

如果不填，就是会识别PDF所有的页，如果页比较多就会消耗时间较长，尽量设置表格所在的页。

合并跨页表格

有的表格可能跨了PDF的页了， 勾选这个就会智能去合并成一个表格到Excel的一个表单里面。

二次加工设置参数

这个就是已经OCR扫描完成后，对Excel表格进行一些处理，相当于清理脏数据等，比如下面设置：

 

输出结果

输出结果一个PDF对于一个Excel文件，PDF的每一页都是一个表单Sheet，没有表格的页不会提取出来，如图所示：

 

三、实现方案二：Python脚本

用 Python 做 PDF / 图片批量抽表入 Excel，对经常要整理发票、对账单、扫描报表、截图表格的人来说，是个很实用的路子。

优势：

• 可批量处理大量文件，适合成百上千份材料
• 对扫描件、截图、拍照表格比纯文本抽取更友好
• 支持 PDF 和常见图片格式，走同一套流程
• 本地运行，文件不出本机，适合内部资料
• 不修改原文件，只在输出目录生成 Excel

劣势：

• 需要一定 Python 基础，首次要装依赖并下载模型
• 复杂版式、无边框表格、模糊扫描件可能需要人工核对
• 合并单元格、嵌套表头等结构导出后往往还要再整理
• 大批量高清 PDF 耗时较长，CPU/GPU 压力较大

下面是一个简单的脚本示例：批量读取目录下的 PDF / 图片，识别表格并导出 Excel。

 

import os
from pathlib import Path

from paddlex import create_pipeline

# 总目录，可放多个子文件夹
input_root = r"path\to\your\files"

# 输出目录
output_root = r"path\to\your\output"
Path(output_root).mkdir(parents=True, exist_ok=True)

# 支持的输入格式
SUPPORTED_EXT = {".pdf", ".png", ".jpg", ".jpeg", ".bmp", ".webp", ".tif", ".tiff"}

# 创建 PaddleX 表格识别流水线（首次运行会自动下载模型）
pipeline = create_pipeline(pipeline="table_recognition")


def process_file(file_path: Path):
    ext = file_path.suffix.lower()
    if ext not in SUPPORTED_EXT:
        print(f"跳过不支持的文件：{file_path}")
        return

    print(f"识别中：{file_path}")

    # predict 支持单张图片；PDF 会按页识别
    results = pipeline.predict(str(file_path))

    out_dir = Path(output_root) / file_path.stem
    out_dir.mkdir(parents=True, exist_ok=True)

    for i, res in enumerate(results):
        # 每个识别结果保存为一个 Excel（具体 API 以当前 PaddleX 版本为准）
        xlsx_path = out_dir / f"table_{i + 1}.xlsx"
        res.save_to_excel(str(xlsx_path))
        print(f"  -> {xlsx_path}")


def walk_files(root: Path):
    for path in root.rglob("*"):
        if path.is_file():
            process_file(path)


if __name__ == "__main__":
    walk_files(Path(input_root))
    print("所有文件处理完成！")

 

四、总结

两份 PDF 都测过了：63 页可编辑版（表格在第 61 页）和扫描版，都能批量抽成 xlsx。不想折腾环境，用智能体就行，记得填页码范围、跨页表格按需勾选，导出后不满意再用二次加工清理。材料多、要自定义规则，再上 Python 脚本。两种都本地跑，原文件不动。复杂版式别全信，抽完抽检几份就够。日常发票、对账单、报表归档，这套流程基本够用。