将PDF转换为Excel

如何从没有网格的内容中还原出网格

PDF中并不包含表格。它包含的是位于各个坐标的字符，那些看起来像表格的线条只是绘制出来的图形，与其中的文字毫无关联。所以网格是推断出来的，依据两条值得准确了解的规则。行来自共同的基线，垂直位置按4点为一档取整，这样上标或略微抬高的货币符号就不会单独成行。列来自收集页面上每一个不同的左边缘，并把彼此相距8点以内的边缘合并——这是在整页范围内进行的，而不是逐行进行，所以某一行恰好为空的列，在其他行中仍会占据自己的位置。

这就是右对齐的数字成为难点的原因，值得直说，因为这是这里最常见的失望之处。一列右对齐的数字，每一行的左边缘都不同——9.99的起点比1,234,567.89靠右得多——一旦这些边缘相差超过8点，就会被识别为不同的列。因此，一张财务表格可能会被分散到本该是一列的好几列中。左对齐和居中对齐的列没有这个问题。恰好落在同一单元格中的两段文字会用空格连接，而不会互相覆盖。

单元格在输出时会被判定类型：凡是能干净解析为数字的，都写成数字，可以求和；其他所有内容都写成文本。常见的会计格式修饰无法解析——千位分隔符、末尾的百分号、货币符号，或写成(1,234)这样带括号的负数——所以这些单元格会变成看起来是数字、却无法求和的文本。Excel自带的“分列”功能一次就能修复整列。

每一页都会成为单独的工作表，依次命名为Page 1、Page 2等，而不会拼接成一张连续的表格——一张跨三页的表格会变成三个工作表，表头重复出现。转换过来的只有数值。公式本来就不在PDF中，无从还原；填充颜色、边框、字体、合并单元格和图表则被有意不做重建，因为靠猜测生成它们，只会得到一份看似权威、实则暗藏错误的电子表格。

如果您需要的是别的

表格提取是一个真正的研究课题，有些工具专门只做这一件事。如果表格带有表格线，Tabula是首选：它把绘制的线条当作网格来读取，而不是根据文字位置推断网格，这就彻底解决了右对齐数字的问题。它免费，有点选式界面，并可导出CSV。Camelot在Python中做同样的事，既有针对带线表格的lattice模式，也有针对无线表格的stream模式，还会告诉您它的置信度。

如果版面简单，您只想要可读的结果，Poppler的pdftotext -layout in.pdf out.txt会以纯文本保留各列的间距，可以作为固定宽度数据直接在电子表格中打开，完全跳过推断步骤。而如果PDF是扫描件，这里说的都不适用——没有可定位的文字，需要先进行文字识别（OCR）。