PDF 表格提取引擎

它解决什么问题

从 PDF 里取表格，难点通常不在"读不出文字"，而在结构：线框、跨行跨列的单元格、分页断行。手工复制到表格工具里，往往会错位、丢掉合并区域，之后再花时间清洗。本技能面向的场景很明确：PDF 中确实存在一张表，而你需要它的结构化数据。

核心能力

• 两套解析算法：lattice 依赖 PDF 中的线框与坐标信息，适合有边框的表格；stream 按文本流推断结构，适合框线不明显的表格。
• 结构还原：处理合并单元格与跨页表格，避免把一张逻辑表拆成若干碎片。
• 类型推断：对列做类型推断，尽量让数值列、日期列以合适类型落地，而不是整列都是字符串。
• 多格式输出：结果可直接落成 pandas 的 DataFrame，或导出为 CSV、JSON，方便接入后续分析链路。

典型工作流

1. 指定目标 PDF 与解析模式（lattice 或 stream）。
2. 执行解析，取出带结构的表格区域。
3. 合并被拆开的单元格与跨页片段。
4. 推断列类型，输出 DataFrame / CSV / JSON。

适用边界

• 更适合版式规整、表格边界清晰的文档。扫描件、纯图片型 PDF 需要先做 OCR，本技能不负责这一层。
• 复杂排版（嵌套表头、合并单元格错位、多栏混排）仍可能需要人工校验。
• 安装与使用说明未能自动提取：当前资料中没有来源可查证的安装步骤与用法。在敏感流程（生产数据、合规、对外交付）中运行前，请先审阅上游项目 https://github.com/1991513ccie-png/skills。
• 列类型推断属于启发式结果，遇到歧义类型建议显式确认。