AI表格提取：从乱糟糟的PDF表格到干净的CSV

PDF表格提取是最难的解析问题。我们用真实精度数据对比 table-transformer、MinerU 和 LLM 方法。

💡 你将学到

PDF表格提取是最难的解析问题。我们用真实精度数据对比 table-transformer、MinerU 和 LLM 方法。

每个 RAG 工程师都有一段 PDF 表格恐怖故事：财务报告里的数字全跑到了错误的列。PDF表格提取确实是文档解析里最难的部分，因为表格没有自然的阅读顺序。

三种可行的方案

Table Transformer（microsoft/table-transformer，2,935 星）是专门检测表格区域和单元格的视觉模型，是经典基线，有边框表格依然最稳。MinerU（76,942 星）管道自带表格结构识别，一次输出 markdown 或 HTML。无边框、旋转表格的兜底方案是 LLM：把解析或 OCR 文本配严格 JSON schema 喂进去。

实用配方：跑 MinerU，抽检 10% 表格，坏掉的交给 LLM 配列名 schema，最后用求和校验——财务表格几乎都有合计行，把提取列求和与合计对比，列错位立刻现形。

对比

常见问题

问：扫描版 PDF 能提取表格吗？
答：能——先 OCR（MinerU 内部自带），再对 OCR 结果做表格识别。

问：检测模型和 LLM 哪个好？
答：检测模型赢在速度和结构保真；LLM 赢在乱、无边框、旋转的表格。两个按顺序配合用。