PDF表格提取失败主因是PDF无原生表格语义，仅含坐标文本与线条；扫描件需OCR，而LaTeX等导出的PDF常拆散文本、缺失边框线。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
PDF 表格提取失败的常见原因是什么？
很多用户一上来就用 pdfplumber 或 tabula-py 直接 extract_tables()，结果返回空列表或错位严重。根本原因不是工具不行，而是 PDF 本身不包含“表格语义”——它只是带坐标的文本块和线条，没有 <table> 标签。扫描版 PDF 更是只有图像，必须先 OCR；而某些生成工具（如 LaTeX 导出、某些前端 PDF 打印）会把表格拆成零散的 <code>TextLine，连边框线都不画全。
- 检查是否为扫描件：用
pdfplumber打开后调用page.chars，若长度极低（比如每页 - 查看是否有可见边框线：用
page.debug_tablefinder()可视化探测区域，没线或线断开会导致分隔失败 - 注意字体嵌入异常：中文字体未正确嵌入时，
char.glyph_name可能为.notdef，影响横向对齐判断
用 pdfplumber 精确提取带合并单元格的表格
pdfplumber 是目前对复杂排版容忍度最高的纯 Python 方案，关键在控制 vertical_strategy 和 horizontal_strategy 参数：
-
vertical_strategy="lines_strict"强制依赖真实横线，适合有完整边框的报表 -
vertical_strategy="text"改用文本垂直位置聚类，适合无横线但行列对齐工整的文档（如财务科目表） - 合并单元格需手动后处理：原生不识别
row_span，得遍历table.cells的y0/y1和x0/x1，检测相邻 cell 是否纵向重叠且文字相同
import pdfplumber
with pdfplumber.open("report.pdf") as pdf:
page = pdf.pages[0]
# 优先尝试 lines_strict，失败再 fallback 到 text
table = page.extract_table({
"vertical_strategy": "lines_strict",
"horizontal_strategy": "lines",
"min_words_vertical": 3, # 防止把短标题当行
})
tabula-py 提取失败时怎么调参？
tabula-py 底层调用 Java 的 tabula，对带阴影、浅灰线、斜体表头的 PDF 更鲁棒，但默认参数极易漏行：
-
pages="all"不等于真的全页，要配合multiple_tables=True才能分段识别立即学习“Python免费学习笔记（深入）”；
area参数必须用[top, left, bottom, right]像素坐标（从左上角起），不是百分比；可先用tabula.read_pdf(..., output_format="json")查看自动检测的top/left值作参考中文乱码？加
java_options="-Dfile.encoding=UTF-8"并确保系统JAVA_HOME指向 JDK 8–17（JDK 21+ 有兼容问题）若表格跨页，
tabula默认不拼接，得手动合并各页DataFrame并去重表头行lattice=True仅对有清晰线框有效；stream=True对无框但等宽字体的表格更准（如终端导出）
OCR 场景下如何避免表格结构崩坏？
扫描 PDF 必须走 OCR 流程，但直接用 pytesseract.image_to_data() 输出的是扁平文本框，丢失行列关系。正确路径是：
先用
pdf2image.convert_from_path()转单页 PNG，DPI ≥ 300用
cv2检测表格线：二值化 → 膨胀纵向/横向线 →cv2.HoughLinesP提取直线 → 构建网格交点将 OCR 结果（含每个字的 bounding box）按交点网格归入单元格，而非简单按 y 坐标分组
tesseract的--psm 6（假设单块均匀文本）比psm 3（全自动）对表格内文字更稳合并单元格识别仍是难点：OCR 不知道哪几个字属于同一个合并单元格，只能靠几何包围盒面积 + 字符密度启发式判断
真正难的不是“能不能抽出来”，而是“抽出来的行/列索引是否对得上原始 PDF 的阅读顺序”。尤其遇到多栏排版、浮动图表、脚注穿插时，必须结合页面布局分析（pdfplumber 的 page.rects 和 page.curves）做上下文校验，否则数据错位很难靠后处理修复。
