PDF表格批量转Excel:我把Docling和MinerU做成了一个Skill

上一篇横测 3 款 PDF 解析器后，我得到一个不太爽快的结论：没有“全能冠军”。Docling 擅长规则数值表，MinerU 更能扛多层表头和合并单元格。真正值得自动化的，应该是先看表格结构，再决定交给谁。

这一次，我把这套判断写成了一个可运行的 Codex Skill，并用上次保留的 19 张真实表格/结构和 1 个负样本做策略回放。

结果是：15 张 A 级、4 张 B 级，19/19 进入可用区间；负样本被直接拒绝。

先说清楚边界：这次没有重新跑三款解析器，而是用上次逐页人工核对后保存的等级，验证“自动分流策略”是否成立。它验证的是路由决策，不是新的逐字符准确率。

为什么不直接固定用 MinerU？

因为“复杂表更强”不等于“所有表都更省事”。

在上次 20 个样本里，MinerU 检出 19/19 个真实表格/结构，确实最稳；但在两个简单数值表上，它把多行内容合到同一个单元格，等级只有 C。相同样本交给 Docling，却是可以直接进入 Excel 的 A。

反过来，遇到多层表头、rowspan/colspan、算法框和复杂结构示例，Docling 又可能压平表头，甚至不输出独立表格。这些样本，MinerU 明显更合适。

所以问题不是“谁赢了”，而是：

能不能在解析前，先做一次便宜、可解释的结构分类？

这个 Skill 实际做了什么

我把它命名为 pdf-table-auto-routing。它不是把两个解析器重新封装成一个黑盒，而是给 Codex 一套明确的工作流、路由规则、输出字段和复核边界。

整个流程只有 5 步：

1. 先建立表格清单，记录论文名、页码、表号和结构类型；
2. 规则数值网格优先交给 Docling；
3. 多层表头、合并结构、宽表、脚注和算法框优先交给 MinerU；
4. 如果首选结果是 C 或 D，保留原始输出，再跑回退工具；
5. 最后生成 Excel、溯源表和 QA 清单，逐页复核重要数据。

Skill 目录不是一句 Prompt，而是三个真实文件：

pdf-table-auto-routing/├── SKILL.md├── agents/openai.yaml├── references/routing-policy.md└── scripts/route_table_manifest.py

其中，`route_table_manifest.py` 会读取表格清单，输出每个样本的首选工具、回退工具、路由理由、复核标记和已知等级。它不偷偷运行解析器，因此“做了什么”和“没做什么”都能看见。

路由规则并不复杂

1. 规则数值表 → Docling

适合这些特征：

• 单层表头；
• 列数稳定；
• 主要是文本与数值；
• 没有重要的跨行、跨列关系。

这类表的目标不是“尽可能保留版式”，而是尽快得到干净二维网格。上次 7 个被这条规则命中的简单数值样本，全部是 A 级。

2. 复杂结构表 → MinerU

只要出现下面任意一种情况，就优先走 MinerU：

• 多层或合并表头；
• rowspan / colspan 决定语义；
• 宽表、长表或脚注密集；
• 算法框、表格型 Figure；
• 不规则单元格边界；
• 公式、符号很多，并且布局本身很重要。

这条规则并不保证字符零错误。比如公式里的 O 与 0、上标和脚注，仍然需要人工看一眼。所以 Skill 会把这些情况标记为 needs_review=true，而不是给出虚假的“全自动完成”。

3. 非表格内容 → 拒绝

负样本很重要。上次的 BERT 输入嵌入示意图，看起来有很多规则排列的 token，但它不是数据表。路由器会直接拒绝，不为了追求“检出率”把示意图硬塞进 Excel。

20 个样本回放，结果怎样？

策略回放的结果如下：

• 19 张真实表格/结构全部达到 A 或 B；
• 其中 15 张为 A，4 张为 B；
• 7 张规则数值表交给 Docling；
• 12 张复杂结构表交给 MinerU；
• 1 个负样本直接拒绝。

和只使用 MinerU 相比，自动分流多出 2 张 A 级、2 张 A/B 可用。这两个增益主要来自简单数值表：MinerU 在 T05、T06 上是 C，Docling 则是 A。

它也不是“看答案选工具”的理论最优解。T01 是公式/符号表，Docling 的历史等级是 A，MinerU 是 B；但通用策略仍把它交给 MinerU，因为这一类表更依赖结构保留。也就是说，这套规则选择的是更容易泛化、也更容易解释的默认路径，而不是用单个样本作弊。

Excel 不只放结果，还要放证据

这次生成的回测工作簿有 4 个工作表：

• 结论摘要
  19/19、15 个 A 等核心指标与对照图；
• 逐表路由
  ：每个样本为什么选 Docling 或 MinerU；
• 工具对照
  ：三款工具在同一批样本上的原始等级；
• 方法与边界
  ：评分口径、复核边界和回放方法。

真正用于论文数据时，还应该保留这些字段：

sample_id / document / page / item / categoryselected_tool / fallback_tool / route_reasongrade / usable / needs_review / raw_output_path

这样一旦某个数字有问题，可以回到“哪篇论文、哪一页、哪一次解析输出”，而不是只剩一个来源不明的 Excel。

最短使用方式

安装 Skill 后，可以直接这样说：

Use $pdf-table-auto-routing to inventory the PDF tables,route simple grids to Docling and complex structures to MinerU,preserve page provenance, and prepare an Excel-ready QA report.

如果已经有一份 JSON 表格清单，也可以先生成路由计划：

python scripts/route_table_manifest.py \  --input benchmark_results.json \  --output auto-routing-evaluation.json

需要注意：Docling 和 MinerU 仍然要在本机单独可用。Skill 负责的是编排、选择、溯源和质量门槛，不是把依赖和模型凭空变出来。

它目前还不够“全自动”的地方

第一，结构分类现在主要依赖表格清单中的类别，还没有训练一个新的视觉分类器直接判断 PDF 页面。

第二，A/B 等级来自逐页人工复核，不是单元格级真值。重要科研数据仍应抽查原页。

第三，这批样本来自 8 篇公开论文前 6 页中的表格型内容，不能代表扫描件、中文竖排、财报和所有领域论文。

第四，版本变化会改变结果。本文保留的工具版本是 Docling 2.120.3、MinerU 3.4.5、Marker 2.0.0。

我的结论

PDF 表格转 Excel 最容易踩的坑，是把“识别到表格”当成“已经得到可分析数据”。

更可靠的做法不是迷信一个万能模型，而是建立一条可解释的流水线：简单表走快路，复杂表走强路，失败就回退，所有数字都能回到原页。

如果你希望下一版加入“自动定位表格页 + 批量导出多个 Sheet + 单元格级差异检查”，可以留言告诉我你最常处理的论文类型。我会优先做真实样本，而不是只加功能列表。

参考资料