Atoms 发布多页扫描 PDF 表格提取新指南：从 OCR 识别到 Power Query 清洗的全流程解析
在数字化转型的深水区，处理多页扫描版 PDF 中的表格数据是许多企业面临的共性难题。Atoms 官方近日发布了一篇深度技术指南，详细阐述了如何将扫描版 PDF 中的表格高效、准确地提取并合并至 Excel，同时保留跨页表格的结构完整性与数据溯源能力。
识别输入：决定提取路线的关键
指南开篇即强调，处理流程的第一步并非直接提取，而是对输入文档进行精准诊断。
- 文本 vs 图像判断：需检查 PDF 是否包含可选择的文本层。若为纯图像扫描，必须先行 OCR 处理；若已包含 OCR 层，可直接进入表格结构识别阶段。
- 结构预检：仅有文本不代表列结构可被正确识别。必须预览导入的表格对象，确认列对齐情况。
- 元数据记录：在提取前，务必备份原文件并记录页码、语言、表格区域及混合文档的文本/扫描分布情况，避免误判。
核心策略：OCR 与 Power Query 的深度结合
针对不同类型的文档，Atoms 推荐了差异化的技术路径：
1. 扫描表格的 OCR 识别
对于纯图像扫描文件，指南建议参考 Adobe Acrobat 的 Scan & OCR 功能。在设置识别范围和语言后，需独立检查识别出的文本，因为 OCR 准确性与后续的表格重构是两个独立的校验环节。
2. 跨页表格的合并与清洗
当表格跨越多页时，核心挑战在于列的匹配与断行处理。
- Power Query 的
MultiPageTables选项：利用 Microsoft Power Query 的Pdf.Tables函数，通过设置MultiPageTables = true可尝试自动合并连续页面的相似表格。 - 结构验证：自动合并并非万能。不同页面可能共享视觉风格但包含不同的度量单位或数据含义。若自动合并导致结构混乱，建议关闭自动合并，将各页面片段单独处理后再进行标准化拼接。
3. 数据归一化与去重逻辑
在将多页片段合并为最终 Excel 表时，需遵循严格的 Schema 映射：
- 统一目标模式：为每个片段定义统一的列结构（如 item, quantity, amount），并保留
source_page和source_row字段以供溯源。 - 智能去重：Power Query 按列名拼接而非物理位置。需警惕因缺失列导致的空值（Nulls）。严禁简单粗暴地删除所有重复项代码，因为同一商品在不同页面或不同数量下可能合法存在。去重必须基于文档来源、页码及行号进行精细化判断。
实际应用价值
该指南不仅提供了理论框架，还给出了具体的 Power Query 代码示例（如 File.Contents 配合 Pdf.Tables 函数），帮助开发者快速构建自动化管道。通过标准化的清洗流程，企业可大幅降低人工校对成本，确保从扫描文档到结构化数据的全链路质量可控。
官方观点："提取步骤应遵循当前官方文档，工作流示例验证了下游的标准化处理。我们强调，最终的数据质量取决于对源文档上下文的严格审查，而非单纯的自动化算法。"
关键指标 (Metrics)
- 版本/指标: Atoms 最新指南 v1.0
- 重要架构重构: 引入
MultiPageTables选项以支持跨页表格自动合并 - 数据溯源: 强制保留
source_page和source_row字段
核心亮点 (Key Highlights)
- 诊断先行：建立“文本层 vs 图像层”的二元判断机制，避免无效 OCR 处理。
- 跨页合并策略：提供 Power Query 代码示例，支持
MultiPageTables功能并强调人工验证的必要性。 - 精细化去重：区分“物理重复”与“业务重复”，防止误删合法的多页数据条目。
- 全链路溯源：在提取过程中保留原始页码与行号，确保数据可追溯、可审计。
