把一份带表格的 PDF 转成 Excel，是后台提得最多的需求之一。但多数人第一次认真看转换结果时都会愣一下：明明原表只有 3 列，转出来的 xlsx 却有 9 列，其中 6 列是空的；反过来，有些没有框线的表格又能转得整整齐齐。行列到底是靠什么对上的？这次我把一份真实的 PDF 拆开看了一遍，又用在线转换跑了一次，把这件事讲清楚。
一、PDF 文件里根本没有"表格"这个对象
先说结论：PDF 的文件结构里，不存在"表格"这种元素。Word 的 docx 里有 <w:tbl> 表格标签，HTML 里有 <table>，而 PDF 里只有两类东西和表格有关：
- 文本：一串带坐标的字符绘制指令。每个字符落在页面坐标系的哪个位置，是写入文件时就定死的；
- 线条：路径绘制指令，横线竖线无非是"从点 A 画到点 B"。
换句话说，你在阅读器里看到的表格，只是"一堆文字"和"一堆线段"恰好摆放得像表格。表格的行列关系、合并单元格的信息，在文件里一个字节都不存在。这也解释了为什么"复制 PDF 里的表格再粘贴到 Excel"经常乱成一团——粘贴板拿到的只是散装文字。
二、转换器重建表格的三步
既然文件里没有表格，转换器就只能"看图猜表"，主流实现大致三步：
**第一步，找线。**把页面上的路径指令按方向分组，横向的归横线、纵向的归竖线。横竖线两两相交，交点围出来的封闭区域，就是候选单元格。
**第二步，落字。**遍历每个文本对象的坐标，看它落在哪个候选单元格的矩形范围内，就记到哪个格子里。字符的字号、行距在这里会被用来做行归并——同一行内 y 坐标接近的字符拼成一个单元格内容。
**第三步，拼行拼列。**把单元格按 y 坐标聚类成行、按 x 坐标聚类成列，输出二维网格。
这套流程决定了两件事：框线完整、横平竖直的表格最容易转；而没有框线的表格（比如用空白对齐排版的），第一步就没有线可找，只能退化为按文本坐标聚类去"猜"列边界，稳定性明显下降。很多在线转换工具会把"扫描件"单独列为一个选项，也是同一个原因——扫描件在 PDF 里只是一整张图片，连文字坐标都没有，必须先过 OCR 把图片变回文字，才有坐标可落格。
三、实测：逻辑 3 列，转出来 9 列
用一份真实的岗位表 PDF 来验证。这份 PDF 的第 4 页有一张表格，逻辑上是 3 列：岗位名称、岗位描述、关键技能，共 4 行（含表头）。
页码范围填 4，只转换这一页：
转换耗时 3 秒左右，输出了一个同名的 xlsx：
用 openpyxl 打开产物核对，结果很有意思：
- 工作表名是"第4页"，行列数据完整，一行不少；
- 但网格是 4 行 × 9 列，合并单元格 0 处；
- 逻辑上的每一列，被拆成了连续 3 个子格：内容落在第一个子格，后两个是空的（上图浅黄格）。
为什么会这样？回到第二节的三步就明白了：原 PDF 画这张表时，每个逻辑列内部还有辅助竖线（或者说绘制者把一个逻辑列画成了三个格子），横竖线交叉切出来的网格本来就是 9 列，转换器老老实实按线还原，输出就是 9 列。内容没有丢，丢的是"这几格本来该合并"的信息——而这个信息 PDF 里从来就没存过。
用 PyMuPDF 对同一页做线检测交叉验证，得到的也是 4×9 的网格，边界框和转换产物的行列划分一致。可以确认这不是转换工具的 bug，而是原始文件的真实几何结构。
四、几个实用结论
把这次的观察收敛成四条：
- 转完先看列数。列数比预期多，多半是原表格内部有辅助线，把空列手动合并回去就行；数据本身大概率没丢。
- 带完整框线的表最稳。无框线表格靠文本坐标猜列，多列文本挨得近就容易并错；转之前能补框线就补。
- 扫描件别用普通转换。扫描件是图片，必须走带 OCR 的路径，且识别结果要抽查——OCR 认错的字会被原样写进 Excel。
- 合并单元格要自己恢复。任何转换器都只能给你几何网格，"哪几格该合并"是语义判断，目前没有可靠的自动化方案，量小就手动。
回到标题的问题：行列不是"对"上去的，是转换器用横竖线的交点切出来的。行列错位、多出空列这些现象，根源都不在转换这一步，而在 PDF 把"表格"降维成了线和文字的那一刻。
这次验证我用的是工具派上的 PDF 转 Excel 工具，顺手记录一下。
相关工具地址：gjupai.com/tools/pdf-to-excel
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/weixin_42362781/article/details/167779427
