pdf表格提取失败需先区分文本型或扫描图像型pdf：文本型可调pdfplumber参数（text策略、lines_strict阈值、手动裁剪）；扫描型须换ocr工具（updf/tabula）并正确选语言；复杂结构用pdf-parser合并跨页表或手动修复json空单元格。
PDF表格数据提取失败时，你面对的不是代码报错，而是Excel里空荡荡的单元格、错位的数字、消失的表头——明明肉眼可见的规整表格，在工具眼里却像一盘散沙。这种失败往往发生在你急需导出对账单、财务报表或招标文件里的数据，而时间只剩半小时的时候。
先判断失败类型：是“根本没识别”还是“识别了但错得离谱”
打开PDF文件，用鼠标拖选页面任意一行表格文字：如果能高亮选中连续文本（哪怕格式乱），说明是文本型PDF；如果完全无法选中、或只零星选中几个字，大概率是扫描图像型PDF。【必须区分这两类，否则后续所有操作都会南辕北辙】
在pdfplumber中运行诊断脚本，检查first_page.chars数量：低于500通常意味着OCR缺失或字体嵌入异常；高于5000且字体种类超过5种，大概率存在编码混淆或伪边框干扰。
用Tabula网页版上传同一文件，观察预览区域是否出现红色虚线框——有框代表检测到表格结构，无框则说明工具连基础行列都没推断出来，问题出在PDF原始布局或线条质量上。
针对文本型PDF：调整策略参数三步到位
方法一：强制启用text策略（适用于无边框但文字对齐工整的报表）
将vertical_strategy和horizontal_strategy同时设为"text"，让pdfplumber放弃找线，改为按文字横向/纵向坐标聚类分组。这对银行流水、发票类文档效果极佳，但遇到合并单元格会失效。
方法二：收紧lines_strict阈值（适用于带清晰实线边框的政府公文）
设置intersection_y_tolerance=3（默认是10），缩小垂直方向线条交点容差值。数值越小，对线条对齐精度要求越高，能避免虚线或浅灰线被误判为干扰线。
方法三：手动指定区域坐标（适用于单页内仅需提取某一块表格）
第一步：用pdfplumber打开PDF → 第二步：page.to_image().draw_rects(page.chars)生成可视化图层 → 第三步：观察表格左上角与右下角坐标（x0,y0,x1,y1）→ 第四步：调用page.crop((x0,y0,x1,y1)).extract_table()精准切片处理。
针对扫描图像型PDF：绕过pdfplumber，换OCR通道
不要试图用pdfplumber直接读取扫描件——它不自带OCR引擎，强行运行只会返回空列表或None。
使用UPDF时，在导出Excel前务必勾选“启用OCR”，并在语言下拉菜单中【手动选择与PDF原文一致的语言，中文必须选“简体中文”，不能留空或选“自动”】。选错语言会导致数字“0”被识别成字母“O”，金额列全军覆没。
用Tabula Desktop版时，点击“Options” → 勾选“Use OCR” → 点击“Choose Language” → 选择对应语言包（需提前下载）。注意：免费版OCR仅支持英文，中文需安装额外语言数据包，否则识别结果全是方框□□□。
处理复杂结构：合并单元格与跨页表格的硬解法
当工具把一张跨两页的采购清单拆成两个不完整的表，或把“供应商名称”下方合并的三行单元格识别成三列空值时，别急着重试。
用PDF-Parser-1.0本地服务上传文件，在Web界面中等待解析完成 → 页面自动高亮所有表格区域 → 鼠标拖拽调整第二页表格顶部边缘，使其与第一页底部无缝衔接 → 点击“Merge Tables”按钮强制合并 → 导出HTML后用浏览器打开，检查
| 标签是否正确包裹原合并单元格内容。 |
若Marker提取后出现空列，打开输出JSON，定位到对应表格的"cells"数组 → 找到空字符串""所在的列索引 → 回溯该列上方最近的非空单元格，将其text值复制进空位，并同步修改rowspan属性值。
