Agent Skills
返回列表
📊

Tabula PDF 表格提取代理

数据分析 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_3c6cb52e/tabula-pdf-table-extraction-agent。

技能介绍

问题：PDF 表格提取的常见痛点

PDF 文档中的表格常以图形或分块文本形式存在，直接复制粘贴易出现错行、合并单元格丢失或数据错位。尤其在处理扫描件时，表格数据可能完全嵌入图像层；即使是原生 PDF，其文字流的排版逻辑也常与表格的行列结构不一致。手动整理这类数据不仅耗时，还容易因重复操作引入人为错误。

工作原理：基于 Tabula 的检测与提取流程

该技能通过 tabula-py 绑定调用 Tabula Java 库，核心流程分为两步：首先从 PDF 中检测表格区域，再按预设规则提取为结构化数据。支持两种核心模式——lattice 模式通过识别表格的网格线确定行列边界，适用于边框清晰的表格；stream 模式则依赖文字间距和位置推断结构，适合无线框或合并单元格的复杂表格。用户可通过参数配置提取区域坐标（如 -r 指定页码范围），最终输出为 pandas DataFrame 或 CSV 文件，方便后续数据分析。

适用边界与注意事项

  • 依赖 Java 运行环境，需确保系统已安装 Java 并正确配置环境变量
  • 复杂表格（如跨页合并、嵌套子表）可能需要手动调整参数或二次校验
  • 扫描件中的文字若为图片形式，需先通过 OCR 工具转换为可编辑文本
  • 输出结果的准确度取决于原 PDF 的文字编码和排版质量，模糊或倾斜的扫描件可能影响检测效果

使用场景

  • 财务人员从年度报告 PDF 中批量提取资产负债表，输出 DataFrame 供后续财务建模
  • 运营从多页 PDF 订单中提取明细表，按 lattice 模式识别边框并归档为 CSV
  • 研究者用 stream 模式提取论文附录里无线框表格，还原行列结构做统计分析
  • 分析师从 PDF 研报中截取指定页码区域的表格，整理进 Excel 或数据库

适合人员

  • 数据分析师，需要把 PDF 年报中的表格转为可计算数据做建模
  • 财务人员，每周要汇总多份 PDF 报表表格到同一份电子表格
  • 学术研究者，从论文附录 PDF 提取实验数据表格用于复现
  • 后端开发者，在自动化流程里把 PDF 表格转成结构化数据供服务消费