PDF表格轉Markdown表格

PDF 表格為什麼會跑掉：PDF 存的是有座標的文字，不是儲存格

在動手把PDF表格轉Markdown之前，最好先了解檔案裡實際裝了什麼。試算表知道「12 $」在第 3 列第 2 欄，PDF 通常不知道。頁面上只有擺在 x、y 座標的文字片段，以及另外畫出來的框線（如果有的話），PDF 標準 ISO 32000-2 描述的就是這種結構。加了標記的 PDF 可以帶著表格結構，但大部分匯出的報告和發票不是沒有標記，就是標記不可靠，轉換工具沒辦法依賴。

所以任何想把PDF表格轉成Markdown的工具，都得做一番推理。它會讀取文字和座標（我們用的是 pdf.js），尋找線條，再判斷欄和列落在哪裡。碰到合併儲存格、換行不規則的文字，或整份表格橫著擺的時候，推理就更困難。

Markdown 表格能表達什麼（GFM 直線表格）

基本的 Markdown 沒有表格。常用的語法來自 GitHub Flavored Markdown：一份 GFM 直線表格由一列標題、一列由連字號組成的分隔線，以及任意多列資料組成。分隔線裡的冒號決定靠左、靠右或置中對齊。儲存格裡的直線符號要寫成 \|。

| Plan     | Price | Seats     |
| :------- | ----: | :-------- |
| Free     |    $0 | 1         |
| Team     |   $12 | 10        |
| Business |   $49 | Unlimited |

這條規則決定了所有轉換的上限。儲存格裡可以放行內文字、連結和程式碼，但不能放清單、第二個段落或巢狀表格。也沒有合併儲存格、第二列標題或表格標題的語法。只要超出一列標題加上單純格線的內容，都必須簡化。

有框線、無框線和合併儲存格：各會怎樣

表格有沒有框線，決定工具怎麼找出儲存格。我們的工具會試兩種策略：

• 有框線的表格 在儲存格之間畫了線。這些線構成格線，欄和列可以直接從線條讀出來，是最穩定的一種。
• 無框線的表格 沒有線，只有排成欄的文字。轉換工具會找至少三列空隙對齊的文字，同時避免把清單、雙欄內文或剛好對齊的段落誤判成表格。
• 合併儲存格 橫跨兩欄以上。Markdown 沒辦法表示合併，所以文字放進第一個儲存格，被蓋住的儲存格留白。

儲存格裡的文字換行是另一個常見陷阱。三行文字的儲存格仍然只是一個儲存格，做得粗糙的轉換工具卻會把它拆成三列。我們的工具會把換行的文字重新合回一個儲存格，不管內容是靠上對齊還是垂直置中。

步驟教學：在瀏覽器裡把PDF表格轉成Markdown

1. 打開轉換工具，把檔案拖進去。不會上傳任何東西，頁面會在本機讀取檔案並馬上開始轉換。
2. 看一下預覽下方的摘要。上面會顯示找到幾份表格，少了一份馬上就看得出來。
3. 把每份 Markdown 表格和原檔對照。先數欄數，再檢查第一列和最後一列。
4. 複製 Markdown 或下載 .md 檔案，剩下的在編輯器裡修改。

大多數人都會跳過第 3 步。一份表格乍看沒問題，其中一列卻可能整列往左偏了一欄。頁面其他部分該怎麼檢查，可以參考我們的通用教學 轉換時保留格式。

手動修表格（以及用 CSV 當退路）

轉換完成後，我們最常做的修改有這幾種：

• 合併儲存格。 Markdown 不支援合併，可以在每個被蓋住的儲存格重複這個值，或只留在第一格，再在表格下方加一行備註。
• 被換頁切開的表格。 刪掉多出來的標題列和分隔線，幾段就能重新接成一份表格。在下面的測試裡，每一列都完整跨過了換頁，只有接縫需要處理。
• 少了標題列。 如果第一列已經是資料，就自己補一列標題。沒有標題列的直線表格是無效的。
• 欄數不一致。 數一數每一列的直線符號。儲存格比較少的列，GFM 轉譯器會補上空白儲存格；比較多的列則會被截掉。

如果表格太寬或太不規則，不適合寫成直線表格，CSV 是不錯的退路。把這些列複製到試算表整理好，再把 CSV 和 Markdown 檔案放在一起，或把簡化後的表格貼回去。轉換不一定要全有或全無。

我們的測試組：12 種表格版面與結果

為了檢驗PDF表格轉Markdown的效果，我們維護一組 12 個測試 PDF，用 reportlab 和 LibreOffice 產生，涵蓋上面提到的版面，另外還有三個不應該判斷出表格的檔案。轉換工具每次修改都要跑過這一組。這些是合成的測試檔，不是真實 PDF 的抽樣，所以請把結果看成「每種版面會發生什麼事」的地圖，而不是成功率。

為了這篇文章，我們又做了兩項測試。第一項是來回測試：用我們自己的工具把四份 Markdown 表格匯出成 PDF，再轉回來。四份都被找到，17 列中有 17 列和原文相同，包括一個跳脫的直線符號和靠右對齊的數字。第二項是一份 60 列的表格，我們的工具把它排成四頁。轉回來得到四份表格，每頁一份，60 列一列不少；第二到第四頁的第一列被當成了標題列，就是上面說的接縫問題。

什麼時候需要版面分析模型

讀取文字層的工具轉換表格又快又不必上傳，但有些表格超出它的能力。掃描的表格在 OCR 補上文字之前，根本沒有可讀的文字。標題層層巢狀、儲存格跨欄跨列的密集學術表格，需要一個把頁面當成圖片來看的模型。

• Docling 表示支援表格結構和閱讀順序，可以用 Python 在本機執行。
• marker 會整理表格格式，根據說明文件，開啟選用的 LLM 模式後可以合併跨頁表格。商業使用前，請先確認模型權重的授權條款。

兩者都需要更多安裝設定，也仍然少不了人工檢查。如果一週只有幾份表格，就在瀏覽器裡把PDF表格轉成Markdown，手動修好接縫，把重量級工具留給真正需要的檔案。