90%的人不知道!PDF表格导入大模型秒变乱码的真正原因!3分钟教你搞定!

正常情况下，设备A对应30W，设备B对应60W。用PDFBox提取文本时，有些得到这样的结果：

参数 设备A 设备B 

工作电压 最大功率 工作温度 

12V 30W -10～50℃ 

24V 60W -20～60℃

文字都在，表格没了。表格里最重要的不是那些字，而是谁和谁对应。

PDF为什么会这样？PDF里的表格不一定保存着明确的行列和单元格结构。很多PDF是把文字放到指定坐标，再画几条横线、竖线。

PDFBox这类提取工具负责提取文字，并不保证自动恢复表格结构。

先做检查：把PDF中每个字符的坐标打印出来，PDFBox通过继承PDFTextStripper获取文字位置信息。

如果设备A、B位于不同的横坐标，30W、60W也落在对应列下面，说明文字的位置关系还在，普通文本提取没把它恢复成表格。继续调整 setSortByPosition(true)不一定能解决，它能改善部分文字顺序问题，不会自动判断哪几个字符属于同一个单元格。

换一种处理方式，对版式固定的设备说明书，先确定表格区域，再根据文字坐标划分行列。

如果知识库需要接收不同厂家、不同排版的PDF，手工配置坐标很难维护。这种考虑使用Tabula、Camelot，或者带表格结构识别能力的文档解析工具。

Tabula适合处理部分文本型PDF表格；Camelot是Python工具，对表格边框、文字排列等也有一定要求。扫描件则通常需要OCR配合表格结构识别。

解析完后保存成什么格式？思考过没？

先保存成Markdown表格，或者结构化JSON，至少保留了字段和数值之间的关系。

这里有个坑：有些表格合并单元格、多级表头，甚至跨页续表。不能只检查是否生成了Markdown或者JSON，还要核对表格内容。

选几条明确的参数做验证，比如设备A最大功率30W、设备B工作电压24V，找一条跨页或合并单元格的数据。

先看结构化结果是否正确，再看最终Chunk有没有把表头和数据拆开。

参数表可以按行组织成独立记录，或者每个Chunk包含必要的表头信息。这一步要在确认解析结果正确之后再做。