PDF 里的表格复制出来全是乱的？用 Python

很多人第一次用 Python 提取 PDF 表格，都是从一段人畜无害的代码开始的：

然后终端要么输出 []，要么给你一堆错位的字符串。合并单元格变成了“姓名张三”，数字和单位黏在一起，七列的数据硬生生挤成了四列。

问题通常不在代码，而在被跳过的前提：PDF 里的“表格”，从来就不是表格。它只是文字、线条和坐标的集合。你看到的“行列对齐”，在 PDF 内部可能是一堆散落的字符对象，靠位置“看起来像表格”而已。

所以动手前先花 30 秒做个体检：能不能选中文字？有没有边框线？布局规不规整？

有文本层又有明显边框线，直接上 Camelot 的 lattice 模式；无线条纯靠空白对齐，用 pdfplumber 切到 text 策略；要是怎么选都选不中，那就是扫描件，任何文本提取库都救不了，老老实实走 OCR。

提取出来也只是原始字符串，清洗才是拿到数据的最后一步。多级表头要手动拼，合并单元格得前向填充，金额还得把货币符号全替换掉。

真正重要的不是背参数，而是打开 PDF 先分类。分类对了剩下的只是调参，分错了再漂亮的代码也只会返回一个空列表。