Camelot 高级 PDF 表格智能

要解决的具体问题

PDF 表格提取长期存在三个痛点：一是扫描件或矢量导出的 PDF 中，表格线常模糊、断裂或倾斜，传统文本解析会错行漏格；二是合并单元格、跨页表格的语义结构难以保留；三是旋转表格（如横向财报附表）会让通用工具直接失效，后续人工核对成本极高。

核心能力与工作流程

该技能基于 Camelot-py 的 lattice 解析模式，结合 OpenCV 的晶格检测（lattice detection）与形态学变换（morphological transformations）实现智能提取：

1. 先将 PDF 页面渲染为高分辨率图像，通过晶格检测定位表格线交叉点，还原表格框架；
2. 用形态学操作修复断裂线条、弥合模糊边界，解决扫描件表格线不连续问题；
3. 分割单元格并提取文本，自动处理合并单元格的行列对齐；
4. 针对跨页表格，按页码顺序拼接行结构，保留完整语义链。

此外，技能可处理旋转表格——通过 OpenCV 旋转校正后再执行晶格检测，避免倾斜导致的行列错位。

适用边界与注意点

• 仅针对有明确表格线的 PDF 优化，无边框的 stream 型表格（如纯文本对齐表格）支持有限，需切换解析模式或人工干预；
• 跨页表格的拼接依赖页面排版连续性，若页眉页脚或分段逻辑混乱，可能出现行错位；
• 合并单元格的语义合并仅做结构对齐，跨行列的文本语义（如标题行覆盖多列）需后续业务层处理；
• 高分辨率大页面或高密度表格（如财务明细表）可能带来性能瓶颈，建议先裁剪页面再提取；
• 依赖上游 Camelot-py 对特定 PDF 生成工具的兼容性，部分加密 PDF 需先解除权限限制。