跳到正文
文章

如何把 PDF 中的表格提取到 Excel

PDF 转 Excel:工作簿里有哪些工作表,三种检测模式在实际中有何不同,以及宽松模式为什么能找到更多表格却会把单词拆开。

简言之: 要把 PDF 中的表格转到 Excel,请打开 PDF 转 Excel 工具,检测保持自动。工作簿包含一个目录工作表、一个文本工作表、每页的图像,以及每张检测到的表格各自一个真实单元格工作表。

专题

操作指南

操作指南: PDF guidance for reliable document processing and quality checks.

13 篇文章

主要工具

在线 PDF 转 Excel

打开本文提到的工具,并以当前界面语言完成操作。

打开工具

目录

如何把 PDF 中的表格转到 Excel

报表里有一张表格,需要重新计算,而不是重新录入。这个工具能做的比名字显示的更多:它不只是把文字倒出来,而是生成一个包含多个工作表的工作簿,每个工作表各有分工。先弄清楚这个工作簿是怎么组成的,第一次运行之前会省不少事。

下载的文件里到底有什么

结果不是一个数据工作表,而是由多个工作表组成的工作簿,各个工作表的作用不同。

工作表内容
目录页面索引,带有指向其他工作表的链接
文本文档的文字,每页一行
第 N 页PDF 整页的图像
表格 N.M检测到的表格,以真实单元格呈现

最后一行才是这项操作的目的。表格工作表里的数据可以直接套用公式。页面图像和文本工作表则是兜底:万一某张表格没有被检测到,内容依然摆在眼前。

目录工作表的作用就像目录:页码、指向该页工作表的链接,以及该页文字的第一行,方便你辨认。这些链接在工作簿内部跳转。

三种检测模式

检测参数决定了工具如何寻找单元格边界,对结果的影响比其他任何设置都大。

模式如何识别表格工作簿里有什么
自动依据表格线所有工作表,包括文本工作表
严格依据表格线,并对线条的交叉有严格要求没有文本工作表
宽松依据文字的位置,不依赖线条所有工作表,另外整页文字放在单元格批注里

自动是默认模式。严格模式不只是对线条更挑剔:它还会把文本工作表从工作簿中去掉,只留下表格和图像。如果结果要交给后续处理,多余的工作表会碍事,这个模式就很合适。

宽松是唯一能识别无表格线的表格的模式,但代价不小。

它还有一个副作用,有时比主要功能更有用:在宽松模式下,整页的文字也会放进图像工作表第一个单元格的批注里。把鼠标悬停在上面,无需切换到文本工作表就能看到该页内容。

实测结果

测试文档的第一页有两张表格:一张带表格线,另一张没有线,只是列对齐。

自动和严格模式只找到了第一张,并且转换得很完美:三行三列,数值各就各位。

宽松模式两张都找到了,但把它们合并成了一个网格,还在列之间把单词拆开了。“Region”变成了“Re”和“gion”两个单元格,“North”变成了“No”和“rth”。数字 900 被拆成“9”和“00”。数据行之间还出现了空行。

实际的结论是:先用自动模式。如果没找到表格,而且文档确实没有表格线,再改用宽松模式,但要预留手工整理的时间。它给你的是素材,不是成品。

反过来也一样:如果 PDF 中的表格是带线条绘制的,结果却是空的,问题就不在模式上,多半是文档没有文字层。

如何转换表格

1. 打开 PDF 转 Excel 在线,上传文档。 2. 第一次尝试时,检测保持自动。 3. 运行任务,下载工作簿。 4. 打开目录工作表,跳转到各个表格工作表。 5. 把几行的数字与相邻工作表上的页面图像核对。 6. 如果没有找到表格,用宽松模式重来一次。

第五步之所以可行,正是因为页面图像就在同一个工作簿里。对照原件检查转换结果,从头到尾都不必离开 Excel。

合并单元格与排序

合并开关默认是开启的。它针对源表格中跨多列的单元格:开启后,会把它们还原为真正的合并区域,再现原件的外观。

关闭后,这类单元格会被拆成普通单元格:值留在第一个单元格,其余的变成空白。

请根据你打算如何使用数据来选择。

如果表格只用来阅读和打印,保持合并开启,结果与原件一致。

如果数据要排序、筛选或做数据透视表,请关闭它。Excel 不允许对包含合并单元格的区域排序,还要求这些单元格大小一致。事后手工取消合并,比事先关掉开关要费时得多。

文件为什么比预想的大

PDF 的每一页都会作为单独的工作表进入工作簿,带有一张全尺寸图像,渲染分辨率接近两倍。结果的体积几乎都是这些图片造成的。

在小型测试文档上差距尤其明显:源 PDF 只有 2 KB,工作簿却约有 45 KB。真实的报表可达到几兆字节,而且随页数增加,而不是随表格数量增加。

如果只需要数据,图像碍事,可以在 Excel 里用几步操作删掉多余的工作表,保存后文件就会变小。

扫描件,以及没有文字层的表格

这个工具读取文字,并不识别文字。对它来说,扫描的表格只是一张图片:工作簿里会有页面图像,文本工作表是空的,任何模式都找不到表格。

解决办法在转换之前:先用OCR PDF 在线处理文件,得到文字层,再转换为电子表格。顺序反过来没有用,因为到了 Excel 里已经没有东西可供识别了。

同样的办法也适用于有文字但文字歪斜的文档:斜着拍的页面识别效果比摆正的差,识别前先把它扶正,结果会有明显改善。

限制、警告与相关工具

如果某一页的表格检测失败,任务不会就此中断。工作簿依然完整送达,响应中会带有一条警告,指明是哪些页:这些页不会生成表格,但图像和文字仍然保留。无法读取文字的页面也是如此。

设置了打开密码的文档无法处理,请先用解锁 PDF 在线解除保护。仅限制打印或复制的密码不会妨碍提取表格。

当一页上有多张表格时,每张都有自己的工作表,名称由页码和表格在该页的位置组成。Excel 对工作表名称的长度有上限,因此过长的名称会被截短,重名则用数字后缀区分。

如果你需要的是可编辑的文字,而不是表格,请使用流式模式的 PDF 转 Word 在线:同样的表格检测器会在那里把表格转成真正的 Word 表格。而把完成的工作簿再转回 PDF,则用 Excel 转 PDF 在线。

作者

由服务团队编写;Sergey Gagin 负责本服务

关于本项目

常见问题

先看表格是否有表格线:自动和严格模式沿着线条寻找单元格边界,没有表格线的表格只有宽松模式能看到。如果有表格线,结果仍然是空的,多半是文档没有文字层,需要先做 OCR。
它依据文字的位置而不是线条,因此可能在列之间把单词或数字拆开。它给你的是需要手工整理的素材,不是现成的表格。
原因是合并单元格:合并开关默认开启,会还原原先跨多列的单元格。如果数据要排序或做数据透视表,请在处理前把它关掉。
PDF 的每一页都会作为单独的工作表进入工作簿,并带有一张全尺寸图像,体积几乎都是这些图片造成的。如果只需要数据,在 Excel 里删掉多余的工作表,保存后文件就会变小。
文件只用于你所选的操作,处理完成后会自动删除。我们不会使用上传的文档来训练 AI 模型。

该专题的更多内容

相关工具

← 全部转换工具

接下来做什么

阅读之后,如需了解下一步怎么做或服务的相关信息,请打开以下页面。

全部工具

PDF 工具目录:在浏览器中合并、压缩、拆分、转换、旋转、保护和解锁 PDF 文件,无需安装任何软件。

常见问题

查看有关 iHatePDF 账号、文件处理、上传限制、手机使用、隐私,以及 PDF 工具报错时该怎么办的解答。

联系我们

如有处理错误、工具选择、安全问题、商务合作或新功能建议,欢迎联系 iHatePDF。联系时请简要说明遇到的问题和使用的工具。