pdf表格识别失败源于其无语义结构，需先区分文本型或扫描型pdf；文本型需调整解析策略（lattice/stream）、划定roi区域、用ghostscript修复结构；扫描型须先ocr；最后可用tabula人工校正。
PDF中的表格无法识别，常表现为导出后文字堆叠、行列错位、合并单元格消失或整张表直接丢失。这不是工具不行，而是PDF本身没有“表格”这个语义概念——它只是一堆位置固定的线条和文字，解析器必须靠视觉线索重建结构，一旦线索模糊或缺失，识别必然失败。
确认PDF类型：先分清是“文本型”还是“扫描型”
打开PDF，用鼠标尝试选中表格内任意一个数字或文字：【能顺利选中并复制】 → 属于文本型PDF，问题出在解析策略；【完全无法选中，或只框出整块图片】 → 是扫描型PDF，必须先做OCR，跳过这步直接解析等于对着照片读字典。
文本型PDF可直接进入后续调优步骤；扫描型PDF请立即停在这里，先用Adobe Acrobat Pro执行“增强扫描→识别文本→在全部页面上”，语言选简体中文，勾选“保留原始布局”与“启用高级OCR”，完成后另存为新PDF再继续。
调整PDF-Parser-1.0的表格识别策略
进入Web界面，上传已确认为文本型的PDF文件，在解析设置中确保勾选“Analyze PDF”（完整分析模式）。
打开服务器终端，编辑配置文件：vi /root/PDF-Parser-1.0/app.py，定位到表格识别参数段：
若表格有清晰边框线（如财务报表、Excel导出的PDF），将 table_strategy 改为 【"lattice"】；若表格无线条、仅靠文字对齐（如论文三线表、Word生成的无框表格），则改为 【"stream"】。改完保存，执行 systemctl restart pdf-parser 重启服务。
这一步不重启服务，修改无效。重启后重新上传同一份PDF测试，观察预览中的表格区域是否被完整框出。
手动划定感兴趣区域（ROI）排除干扰
当PDF页眉页脚密集、多栏排版或表格旁有大段文字时，自动布局分析容易误判。此时需人工缩小识别范围。
在PDF-Extract-Kit的WebUI中，找到“高级设置”→“指定表格区域”，输入归一化坐标：【[0.15, 0.3, 0.85, 0.75]】（表示从页面左上角15%宽、30%高处开始，覆盖宽度70%、高度45%的矩形区域）。这个范围通常能避开页眉页脚，精准覆盖正文表格区。
坐标值必须是小数，且满足 x1
修复PDF底层结构问题
有些PDF看似正常，实则内部对象损坏或字体嵌入异常，导致解析器读取时跳过整页表格。这类问题肉眼不可见，但可通过Ghostscript强制重建结构：
在服务器终端执行：gs -o repaired.pdf -sDEVICE=pdfwrite -dPDFSETTINGS=/prepress original.pdf
这条命令会丢弃所有可疑的渲染指令，仅保留最基础的文本与图形对象，相当于给PDF做一次“骨科手术”。处理后的repaired.pdf再上传，往往能唤醒沉睡的表格区域。
注意：此操作不可逆，原始PDF请先备份。若原文件含数字签名或证书，重建后签名将失效。
用Tabula做兜底式人工校正
当以上方法仍失败，说明该表格结构过于特殊（如斜线表头、嵌套子表、手绘边框），自动模型已触及能力边界。此时放弃全自动，转用Tabula进行可视化干预：
第一步：下载Tabula桌面版（tabula.technology），拖入PDF；
第二步：在预览窗口中，按住鼠标左键从表格第一行标题左上角拖至最后一行数据右下角，【务必紧贴文字外缘，不要留白也不要框进页码】；
第三步：点击“Preview & Export”，格式选Excel，勾选“Include headers in first row”；
第四步：导出后检查Excel中A列是否为字段名——若首行是空行或乱码，说明框选偏移，返回Tabula微调边界后重试。
