如何把图片和PDF中的表格提取到Excel或CSV | UltKit

选工具之前，先弄清手上的表格属于哪一类，因为三种常见来源出问题的方式各不相同。打开 PDF，试着用光标选中一个数字。如果数字能单独高亮，说明这是文本 PDF：每个字符都以文字形式存放在精确的位置上，提取主要就是把这些字符归并成行和列。如果整页作为一整块高亮，或者什么都选不中，那你拿到的就是一张表格的图片，必须先有人去识别像素。

第三种情况很容易被忽略。许多旧会计系统、终端程序导出的报表以及邮件正文，看起来像表格，其实是用制表符或连续空格对齐的纯文本。它们根本没有单元格，只有等宽排版。对这种文本的截图做 OCR，会白白丢掉你本来就有的信息；直接复制文本再按列拆分，更快也更准确。下面的卡片总结了每种来源的处理要点。

表格识别是在字符识别之后进行的第二步。首先查找单元格：有框线的表格会追踪横线和竖线，把每个封闭的方框当作一个单元格；无框线的表格则寻找贯穿整个区块高度的空白竖向间隙。然后对齐列，判断某个数字即使比上一行的数字偏右几个像素，仍属于同一列。

接下来是表头行。识别器会寻找加粗、带底色，或位于数字列上方的文字组成的第一行，并把折成两行的表头合并为一个单元格。最后一步是合并单元格：像 Q1 这样横跨三个月份列的标签，会根据缺少内部线条被检测出来，然后重建为合并单元格，或复制到它覆盖的每一列中。

这一切都不是理解内容。软件并不知道某一列是日期，也不知道某一行是小计，它只看到几何形状和字符。所以同一个工具可能处理某份对账单完美无缺，换成另一家银行的就一团糟，这也是为什么会有表格样式和识别表头行这样的设置：它们把识别器无法可靠推断的信息直接告诉它。

大多数失败可分为两类。几何类失败会破坏网格，使数值跑到错误的行或列。数字类失败网格完好，却改变了单元格的含义，后果更糟，因为表格看起来没问题。错位的列一眼就能看出来；而把 1.234 当成小数而不是一千二百三十四，就很难发现。

数字问题的主要来源是地区习惯。美国和英国写作 1,234.56；德国、巴西和欧洲大陆大部分地区写作 1.234,56；法国用空格作千位分隔符；瑞士常用撇号，如 1'234.56；印度则按 1,23,456 分组。财务文件还会用括号表示负数，货币符号紧贴数字。下面列出需要留意的情况和对应的解决办法。

在输入上花一分钟，能在表格里省下好几分钟。OCR 引擎通常针对 300 dpi 左右的扫描文字调校，对 A4 或 US Letter 页面来说，大约是 2480 × 3508 px 或 2550 × 3300 px。只要页面占满取景框，现代手机摄像头很容易超过这个数值，但从桌子对面拍整页再裁出一小块表格，分辨率可能远低于它。

对比度和分辨率同样重要。热敏纸小票会褪色，灰底上的灰色表格线会消失，手机在页面上投下的阴影可能把一列切成两半。如果是需要经常提取的纸质文件，扫描文档为 PDF的指南对光线和扫描仪设置有更详细的说明。上传之前，请对照下面的清单检查。

Excel 的“来自图片的数据”于 2019 年登陆 Android 应用，随后是 iPhone，现在位于 Windows 和 Mac 版 Microsoft 365 Excel 的“数据 > 来自图片”。你拍摄或载入一张表格，在侧边栏中检查识别出的单元格（可疑数值会被标出），然后插入。Google 的路径不那么直接：在云端硬盘中右键点击图片或 PDF，选择“打开方式 > Google 文档”。Google 帮助页面说明此功能仅限 2 MB 以内的文件，PDF 只读取前 10 页，而且结果是一份文档，所以表格往往变成一行行文字，需要你再粘贴到表格中拆分。

Adobe Acrobat Pro 可将 PDF 导出为 Microsoft Excel 工作簿，并在导出时对扫描页执行 OCR。Windows 版 Microsoft 365 Excel 也可以通过“获取数据 > 从文件 > 从 PDF”从文本 PDF 中提取表格，这会打开 Power Query；它按页列出检测到的每个表格，可以把对账单每月的页面追加成一张表，下个月换上新文件时还能刷新。它不能读取扫描件，Mac 版 Excel 也没有这个连接器。

浏览器转换器无需安装任何软件，可以覆盖其余场景。对于文本或扫描的 PDF，PDF转Excel会把检测到的每个表格放入各自的工作表；对于照片或截图，可以把图片转为 Excel，如果要导入其他程序，也可以将表格保存为 CSV。下表对比了这五种方式。

转换后看起来正确的表格，还不等于可以信赖的表格。先看行数：如果对账单列出 47 笔交易，表格就应有 47 行数据，而不是因为两行合并变成 46 行，也不是因为换行的说明另起一行变成 49 行。然后用 SUM 对某一数值列求和，与文档上印的合计核对。如果文档没有合计，就手动加几个数值来比对。

接着，找出只是假装成数字的单元格。在 Excel 中，真正的数字默认右对齐，文本左对齐，所以一列里出现几个左对齐的金额就说明有问题；在辅助列中用 ISNUMBER 可以一次找出全部。日期同样值得怀疑。被识别成文本的日期按字母顺序排序，所以 10/02 会排在 2/03 之前，而 03/04 可能是 4 月 3 日，也可能是 3 月 4 日，取决于是谁写的。

最后，要检查丢失了什么，而不只是改变了什么。长账号和银行卡号是典型的陷阱：Excel 只保存 15 位有效数字，所以作为数字输入或导入的 16 位卡号，最后一位会变成 0。

如果要由人在 Excel、Google 表格或 Numbers 中处理数据，请选 XLSX。它可以把多个表格放在不同工作表，保留真正的数字和日期类型、加粗的表头行以及合并单元格。如果要由软件导入，如记账应用、财务软件、数据库和脚本，请选 CSV。CSV 是纯文本，每个文件一张表，规范见 2005 年的 RFC 4180，其中最重要的三项设置是分隔符、编码，以及数字是否按数值保存。

分隔符必须与导入程序匹配；在以逗号作小数点的国家，Excel 期望使用分号。编码决定 Müller 或 São Paulo 这类名字能否保留：带 BOM 的 UTF-8 是 Windows 版 Excel 双击打开时能正确读取的编码。前导零是典型的丢失对象。美国邮编如 02134、员工编号和产品代码都是标识符而不是数量，一旦被当作数字处理就会变成 2134。对于满是编号的表格，请关闭数字按数值格式保存，或在导入 CSV 时把这些列设为文本。

提取一个表格只是查一次的事；而提取一整年的发票或十二个月的银行对账单，就成了一个小型数据项目。尽量让源文档保持相同的版式，并一次性转换，这样每个文件都使用相同的设置。对于文本型 PDF，一次最多可上传 20 个，每个不超过 95 MB；当对账单的交易明细表跨页延续时，请在工作表选项中选择全部放在一个工作表。照片一次只能转换一张表格图片，所以如果是一叠纸质发票，先用图片转PDF把各页合并，再让 PDF 页面指向包含表格的页码范围，通常会更快。

批量转换完成后，把结果追加到同一个工作表中，并增加一列记录来源文件名。如果文档以文字为主、只有一两个表格，也可以改用PDF 转 Word，这样段落和表格会一起保留。

银行对账单、工资单和发票包含账号、地址和消费记录，所以要考虑它们的去向。在 UltKit 上，上传的文件和生成的文件会在处理 30 分钟后删除，任何人都不会查看。不过最安全的副本，是从不离开你电脑的那一份：上传前先裁掉或遮盖不需要的列，例如完整账号，并删除不再需要的本地导出文件。