从 PDF 提取信息:扫描页和表格怎样核对

PDF里的文字提取出来以后，数量和单价有没有串列，还要回到原页核对。文本读到了，账也未必对。

WB09练习的是后一半：把摘录重新放回原页，按行、按列核对。你会得到带文件名和PDF页码的摘录表，并知道哪些数字仍需人工确认。

本篇实测于2026-10-26，使用作者自制的四份PDF，没有真实票据和个人资料。前置是WB04的来源核对；环境为macOS、中文版WorkBuddy 5.9.2，默认Agent与默认权限。

同一张表，准备两种PDF

先解压练习包，复制一份exercise作为独立工作空间；input里已有四份PDF与提取要求。首轮只处理text.pdf和scan.pdf。两份PDF看上去是同一张物料表，但内部不同。

text.pdf有可提取的文字层。scan.pdf则把同一原页渲染成一张图，再放进PDF，作者已确认它没有文字层。

所以，文字提取返回空白，不等于这一页没有内容。接下来能否识别，要看实际OCR或视觉读取能力，不能只把文件重新打开一次就宣布成功。

这张表只有三条项目，适合逐格查：

合计是116元。它是一行合计，不是第四条物料。金额单位也要保留，不能把36写成“36张”。

▲ 图1：自制教学PDF第1页。原页与摘录分别保留；这不是客户端截图。

把输入留一份副本，再在中文版新建任务，选择这份练习目录。原PDF应直接交给工具处理，不必先人工抄成文本，避免把自己的抄写错误混进识别结果。

先摘录，再回到那一格

本次要求使用与PDF对应的内置能力，输出CSV和核对说明：

这是WB09作者自制PDF练习。使用PDF相关内置技能，依据input/提取要求.md，先处理input/text.pdf与input/scan.pdf，输出根目录output/run-01/摘录.csv和核对说明.md；逐行保留PDF文件名、从1开始页码、项目编号、名称、数量、单价、金额、识别状态、页上依据。不要把合计行当项目行，别串列。扫描版无文本层时尝试当前实际可用OCR/视觉读取，不能识别要说明，不编造字段；不能识别也应保留行的待确认状态。不要安装外部软件、联网或改输入，记录实际读取方式与限制，源路径只写相对位置。 

一条可查的摘录，应当能回答：出自哪份PDF、哪一页、哪个项目、哪一列；这格是明确读到的，还是仍需人工确认。

页码在这里统一按PDF文件从1开始数。若页面上另印了页码，要分别说明，不能把两个编号体系混成一个。

本轮CSV共六条项目记录：文本版和扫描版各三条。作者逐格核对名称、数量、单价、金额与PDF第1页一致；M03的0.5元保留正确，合计行没有混成项目行。扫描版先经历自动OCR失败，随后采用页面视觉读取，说明中分开记录。

核对时，不必先通读所有说明。选M02，沿着这一行查：项目名“红光卡片”，数量12，单价3元，金额36元；再查文件与页码。

接着查M03的小数点。0.5和5只差一个点，乘以40，金额就从20变成200。识别结果即使语言通顺，也需要回到原页确认这个符号。

最后检查三条项目合计60+36+20=116。合计能帮助发现问题，但总数碰巧对上，也不能替代每一格的核对。

扫描页的读取方式，也要记下来

中文官方办公文档四件套说明^〔1〕列出了PDF提取和OCR相关能力。本例只记录本次环境实际采用的方式，不承诺扫描文件的统一识别率。

如果直接提取没有文字，先确认是不是纯图像页，再看当前任务是否尝试了实际可用的OCR或视觉读取。如果工具不可用，就把这个限制与未确认字段写在说明中。

▲ 图2：本文方法示意。文字层、字段正确性和页码证据分别检查。

“已识别”是一个需要证据的状态。只生成空CSV，或者把text.pdf的数字直接复制给scan.pdf，都不能证明扫描版已经读取正确。

本篇的两份文件故意相同，是为了让作者建立对照，不是授权工具把另一份文件当作扫描页的替身。各文件的读取方式与结果要分别保留。

读完这一轮，可以遮住原页复述：哪一格最容易串列，哪一个小数点最需要检查，摘录表怎样帮助你找回证据。

看不清的数字保留，跨页的表接起来

再加入两份受控练习。ambiguous.pdf把数量印为“8?”，并明确说明第二位不可辨。这是作者设置的歧义标记，不冒充真实低清扫描，也不拿它测OCR识别率。

不能把它理解为8，也不能猜80。数量待确认时，关联金额也不能靠猜出的数量补算。

multipage.pdf则把同一张表分成两页，第二页重复表头。要按项目编号和PDF页码接起来，不能把重复表头当数据，也不能漏掉最后一项。

继续只处理input/ambiguous.pdf和input/multipage.pdf，输出根目录output/run-02/摘录.csv与核对说明.md，保留run-01及输入。ambiguous中数量印为“8?”且旁注明原稿第二位不可辨，这不是合法数量，请标待人工确认，关联金额也不补算。跨页表按PDF页码和项目编号对接，重复表头不算数据，首尾项目都保留。用实际工具读取，不安装软件、不联网，不猜未给数字。 

本轮M04数量保留原印字符8?，识别状态为待人工确认，金额为原页未提供，没有猜出数值。跨页表保留M05—M08，页码为1、1、2、2，四项金额合计43；首轮两份产物的内容指纹不变。

跨页表的四条项目是M05到M08，金额8、20、12、3元，合计43元。先查第一页最后一项与第二页第一项，再查尾项M08，通常比只看摘要更容易找到漏行。

最后给摘录表做一个简单自测：①扫描版没有文字层，能写“原页为空”吗？②“8?”该写成哪个确定数值？③两页都出现表头，能算成两条项目吗？

参考：①不能，须看原页并记录实际识别条件。②不能确定，应标待人工确认，关联金额不猜补。③不能，按项目编号和表格结构去掉重复表头。

提取结束时，留下的应当是能回到原页的字段，以及尚未解决的问题。把不确定的那一格标出来，比替它补一个看似合理的数更有用。

上一课：WB08《把一份会议记录变成可交接的 Word 纪要》。

下一课：WB10《清理报名表：重复、空值和日期格式》。发布后补充链接。

配套资料：在「云间码客」公众号会话中发送 WB09，领取本课练习包。

资料来源

以下保留原文引用地址，供查对；网址可复制后打开。

〔1〕https://www.workbuddy.cn/docs/workbuddy/From-Beginner-to-Expert-Guide/WorkBuddy-Zero-Cost-Skill-Top-10/Office-Document-Suite