PDF 表格提取：复用前保留表头、单元格与来源证据

PDF 表格提取会重建原表的行、列和单元格内容，以便检查或复用。在给出待确认的解析值之前，应保留每个值对应的表头、原文标注的单位以及所有脚注。即使字符识别正确，放错列仍然属于重建错误。

能力状态：已有文档说明。 组件目录中已记录 Docling 和 Structured Output；Ai Flowi 尚未对本文所述的重建流程进行生产环境测试。没有已记录的组合工作流结果。

作者：Ai Flowi · 发布于 2026-10-10

官方来源：Docling 文档

先还原表格结构，再解释业务字段

审核过程中应始终保留原始来源、表格标识和版本。记录审核者确实能找到的来源定位信息，例如页码标识、表格标题、行键和表头路径。本练习中的这些定位锚点由人工提供，并非自动生成的版面坐标。

文档 AI 指南介绍如何从文档中选取指定字段。本文处理的是更早的一步：保留表格结构，确认原始单元格受哪个表头约束、是否为空，以及备注是否改变其单位。完整组件接口请参阅Docling 集成参考。

如果原始来源本身已是可信的结构化表格，应直接保留其结构，无须仅为重建而增加 OCR 或模型。对于 PDF 或图片，先确认所选读取方法能从获准使用的样本中生成可检查的内容。仅有 OCR 设置，并不能证明支持你的文件。

相关内容：Unstructured.io 文档解析：API 配置与结果检查。

检查这份包含三行数据的模拟原表

这张虚构报价卡标记为 SOURCE-CARD-A、表 A、第 2 版。合并的价格表头同时适用于两个价格列。R-B 的修订价单元格为空，没有印出的数字；R-C 中的零值则明确印在原表中。

在手机上，两张表都可以在各自的区域内滚动。用键盘将焦点移到相应区域，即可查看初始视图之外的列。

来源脚注 *：仅对 R-B，每包数量指每包所含的内盒数；每个内盒包含四件物品。

因此，R-B 原文写的是六个内盒，而不是六件物品。每包二十四件是依据脚注另行推导出的结果，并非提取出的单元格值。待确认的解析数量应保留为 6，单位为内盒/包，并保留脚注中的限定说明。

复制单元格重建工作表

每个单元格使用一条记录，避免展平数据时丢失表头和来源证据。以下字段表头是可复制的审核材料，并非承诺支持的上传格式，也不是原生的 output_schema 定义。

source_ref | table_ref | source_version | source_locator | header_path | row_key | printed_cell | printed_unit | proposed_parsed_value | cell_state | footnote | review_decision

本示例规则将 present、blank、unreadable 和 not_supplied 作为不同的工作表状态。空白指来源中可见但没有内容的单元格；无法辨读指单元格存在，但无法确定其中的字符；未提供指所需来源区域不在资料包内。这些状态都不能作为填入零值的依据。

上方的印刷来源示意是这些目标的独立参照。它们是人工编写的预期结果，并非从表格提取器捕获的输出。还应保留三个行键和两级价格表头；即使九条单元格记录看似都正确，也无法弥补行标识被对调的问题。

读取、审核，再将已确认文本结构化

示例配置，并非已记录的测试

将获准使用的源文件及其原件放在工作表旁，便于核对；按照模型连接参考配置自己的模型提供商账户和 API 密钥，其费用另行计收。

1. 按照Docling 配置示例完成基础处理设置。
2. 针对本次表格结构审核，将 Docling 的 do_picture_classification 设为 false，检查其声明为 Table 的 dataframe，确认 R-A、R-B、R-C 和两级价格表头；分类设置本身不提供单元格验收证据。
3. 逐一将重建后的单元格、表头和脚注与原件比较。人工编写包含来源定位信息的已审核工作表文本。如果结果无法保留行列对应关系，应停止处理。
4. 将已审核文本放入 Structured Output 必填的 input_value。Docling 的 Table 输出并未声明可直接连接到这个兼容 Message 的文本输入；本方案刻意采用人工交接。
5. 参阅Structured Output 配置参考设置必填的 model 和 output_schema，通过 schema_name 将本工作表模式命名为 cell_reconstruction，并把下方的单元格保留指令放入必填的 system_prompt。
6. 检查 structured_output JSON 和 dataframe_output Table，确认包含九条独立单元格记录：R-B 的修订价必须保持空白，R-C 的两个价格则须保留原文中的零值。验证两种表示如何携带 header_path 和 footnote；工作表中以竖线分隔的文本不是可导入的模式定义。

Represent only the supplied reviewed cell records. Preserve source version,
row key, complete header path, printed cell, unit, footnote and source locator.
Keep blank, unreadable and not-supplied states distinct from printed zero.
Do not fill missing prices, detach unit exceptions or turn derived quantities
into extracted values. Keep unresolved cells awaiting source review.

应将每个价格表头视为一条路径，而非孤立标签：价格表头提供 RM/包这一单位，标价或修订价则指定具体金额。如果将两者展平为单一价格字段，就会抹去 R-A 的 24.00 与 22.00 之间的区别。应分别按行和表头路径检查覆盖情况：重复一条 R-A 标价记录，可能让总数仍为九条，但 R-B 的标价单元格却缺失。仅凭记录数量不能判定工作表通过审核。

从 PDF 或图片提取表格，需要检查什么？

对于含可读文本的 PDF，检查读取顺序是否展平了合并表头，或将脚注移到了相邻行。对于图片或扫描 PDF，在 OCR 后检查数字、小数点、列边界和脚注标记。右侧列被裁掉时应标记为未提供；金额可见但无法辨读时应标记为无法辨读。

修改这份测试样例，尝试将 18.00 移到修订价列、删除 RM 表头、把空白单元格改成 0.00，或去掉 6* 中的星号。即使结构化输出可以解析，每个变体也都必须无法通过来源比对。删除脚注会使 R-B 的数量单位无法确认，不能因此退回使用该列的常规单位。

这些审核检查定义了预期失败情形，但没有实测通过率。组件目录并未为此配置确立自动坐标保真度、经校准的准确率、受支持的 OCR 安装环境或 Excel 导出能力。本文提供的是工作表，而非在线提取工具。

下游复用前，先确认表格结构

记录由谁比对表格结构、核对了哪个来源版本，以及哪些单元格仍未解决。小数格式发生变化时，应将待确认的解析值与其原始内容证据分开保存。下一步要约定字段含义，可使用数据字典模板；后续记录标识与转换结果的核对可参阅ETL 测试。

不要将未经检查的重建结果用于汇总、订单或自动决策。如果来源有更正，应保留旧证据并审核新版本；仅修改解析值，无法证明来源发生了什么变化。

套餐：Go 年付方案每月 USD8 起（月付 USD10），Plus 年付方案每月 USD16 起（月付 USD20），Pro 100 年付方案每月 USD80 起（月付 USD100），Pro 200 年付方案每月 USD160 起（月付 USD200），Pro 500 年付方案每月 USD400 起（月付 USD500），每月包含 5,000 至 250,000 个 Flowi Tokens，并支持充值；每次节点运行消耗 1 个 token；不包含第三方 API 和模型使用费用。