PDF表格转Markdown表格

PDF 表格为什么会乱：PDF 存的是带坐标的文字，不是单元格

在做PDF表格转Markdown之前，先弄清文件里到底有什么。电子表格知道“12 $”在第 3 行第 2 列，PDF 通常不知道。页面里只有放在 x、y 坐标上的文字片段，以及另外画出来的框线（如果有的话），PDF 标准 ISO 32000-2 描述的就是这种结构。带标签的 PDF 可以携带表格结构，但大多数导出的报告和发票要么没有标签，要么标签不可靠，转换器没法依赖。

所以任何想把PDF表格转成Markdown的工具，都要做一番推理。它读取文字和坐标（我们用的是 pdf.js），寻找线条，再判断列和行在哪里。遇到合并单元格、换行不规则的文字，或者整张表侧过来放的时候，推断就更难了。

Markdown 表格能表达什么（GFM 管道表格）

基础 Markdown 没有表格。常用语法来自 GitHub Flavored Markdown：一张 GFM 管道表格由一行表头、一行短横线组成的分隔行，以及任意多行数据组成。分隔行里的冒号决定左对齐、右对齐还是居中。单元格里的竖线写作 \|。

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

这条规则划定了所有转换的上限。单元格里可以放行内文字、链接和代码，但不能放列表、第二个段落或嵌套表格。也没有合并单元格、第二行表头或表格标题的语法。凡是超出一行表头加简单网格的内容，都得简化。

有框线、无框线和合并单元格：分别会怎样

表格有没有框线，决定了工具怎样找单元格。我们的工具会尝试两种策略：

• 有框线的表格 在单元格之间画了线。这些线构成网格，行和列可以直接从线条读出来，是最稳定的一类。
• 无框线的表格 没有线，只有排成列的文字。转换器会找至少三行空隙对齐的文字，同时防止把列表、双栏正文或碰巧对齐的段落误认成表格。
• 合并单元格 横跨两列或更多列。Markdown 无法表示合并，所以文字放进第一个单元格，被覆盖的单元格留空。

单元格里文字换行是另一个常见陷阱。三行文字的单元格仍然只是一个单元格，粗糙的转换器却会把它变成三行。我们的转换器会把换行的文字重新合并成一个单元格，不论内容是顶端对齐还是垂直居中。

分步操作：在浏览器里把PDF表格转成Markdown

1. 打开转换器，把文件拖进去。不会上传任何内容，页面在本地读取文件并立刻开始转换。
2. 看一下预览下方的摘要。它会显示找到了几张表，少了一张马上就能发现。
3. 把每张 Markdown 表格和原文对照。先数列数，再检查第一行和最后一行。
4. 复制 Markdown 或下载 .md 文件，剩下的在编辑器里修改。

大多数人会跳过第 3 步。一张表乍看没问题，其中一行却可能整体左移了一列。页面其余部分的检查方法，见我们的通用指南 保留格式地转换。

手动修表（以及用 CSV 兜底）

转换完成后，我们最常做的修改有这几种：

• 合并单元格。 Markdown 不支持合并，可以在每个被覆盖的单元格里重复这个值，或者只留在第一个单元格，再在表格下方加一条备注。
• 被分页切开的表格。 删掉多出来的表头行和分隔行，几段就能重新拼成一张表。在下面的测试里，每一行都完整跨过了分页，只有接缝处需要处理。
• 缺少表头行。 如果第一行已经是数据，就自己加一行表头。没有表头的管道表格是无效的。
• 列数不一致。 数一数每行的竖线。单元格少的行，GFM 渲染器会补空单元格；多的行会被截掉。

如果表格太宽或太不规则，不适合写成管道表格，CSV 是个不错的退路。把这些行复制到电子表格里整理好，然后把 CSV 和 Markdown 文件放在一起，或者把简化后的表格贴回去。转换不必非此即彼。

我们的测试集：12 种表格版式及结果

为了检验PDF表格转Markdown的效果，我们维护着一套 12 个测试 PDF，用 reportlab 和 LibreOffice 生成，覆盖上面说到的版式，另外还有三个不应该识别出表格的文件。转换器每次改动都要跑一遍。这些是合成的测试文件，不是真实 PDF 的抽样，所以请把结果当成“每种版式会发生什么”的地图，而不是成功率。

为这篇文章我们又做了两项测试。第一项是往返测试：用我们自己的工具把四张 Markdown 表格导出成 PDF，再转回来。四张都被识别出来，17 行中 17 行与原文一致，包括一个转义的竖线和右对齐的数字。第二项是一张 60 行的表格，我们的工具把它排成了四页。转回来得到四张表，每页一张，60 行一行不少；第二到第四页的第一行被提升成了表头，正是上面说的接缝问题。

什么时候需要版面分析模型

读取文字层的工具转换表格又快又不用上传，但有些表格超出了它的能力。扫描的表格在 OCR 加上文字之前，根本没有可读的文本。表头层层嵌套、单元格跨行跨列的密集学术表格，需要一个把页面当作图像来看的模型。

• Docling 声称支持表格结构和阅读顺序，可以用 Python 在本地运行。
• marker 会整理表格格式，据其文档，开启可选的 LLM 模式后能合并跨页表格。商用前请先确认其模型权重的许可证。

两者都要更多安装配置，而且仍然需要人工检查。如果每周只有几张表，就在浏览器里把PDF表格转成Markdown，手动修好接缝，把重型工具留给真正需要的文件。