PDF 表格提取

PDF 中的信息提取一直是一件很难的事情，比如 PDF 中的图像，表格 数学公式等等，最终极的应该是把 PDF 中的版式等等都给识别和提取出来。

从 PDF 中提取表格大的来说就两个步骤，第一步找到表格的具体位置，第二步构建表格的结构信息，比如行，列，以及合并的单元格等等。

如果我们要提取的表格是格式统一的，我们可以用 Table 需要的一些特定模式，比如表格里的横竖线，表格的内容等等来定位表格的位置，然后根据文字的位置，和文字之间的距离，字体等来定位表格的行，列，以及表头等等。当然这种方法可行，如果表格的样式很多，PDF 的版式很多这种方法就相对比较困难。

另外一种方法就是用 模型的方法，很多大模型就有提取表格的能力，但是大模型需要很多资源，另外一种方法是训练一个小模型来解决这个问题，但是这种方式需要很多标注数据来训练 模型。

首先可以利用 PDF 的 API 提取出表格中的文字和对应的位置，如果PDF中的文字是不能复制的，就需要 OCR 来实现这一步骤。

PDF 的每一页被 PDF 渲染器光栅化处理成图片，然后用检测模型检测表格的位置。

提取上一步检测到的表格的位置，然后送入表格结构识别的模型，构建表格的结构，结合文字在位置然后就能重构出表格的格式。

我做了个免费的在线表格提取工具: https://tableninjia.com/ 可以尝试一下能不能解决你需要提取的表格，可以使用 PDF 也可以使用图片作为输入。