火山引擎怎么把表格内容整理成JSON数组_火山引擎表格结构化转换思路-人工智能-PHP中文网

关键是要确保TextIn解析出的Markdown表格结构完整（含分隔线、表头、数据行），再用Python脚本或Dify工作流将其转为标准JSON数组，避免合并单元格导致字段错位或丢失。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

火山引擎怎么把表格内容整理成json数组_火山引擎表格结构化转换思路

要把火山引擎中解析出的表格内容转换成标准 JSON 数组格式，关键不是手动拼接，而是让结构化输出从数据源头就对齐语义边界——尤其当表格含合并单元格、跨页表头或嵌套行列时，直接丢给通用 JSON 序列化工具只会生成错位嵌套或字段丢失。

确认 TextIn 解析结果是否含完整表格语义

打开 TextIn 大模型加速器控制台 → 进入「PDF 转 Markdown」任务详情页 → 查看返回的 Markdown 原文。重点检查表格区域是否保留了 |---| 分隔线、表头行（| 字段A | 字段B |）和数据行（| 值1 | 值2 |）三段式结构。若出现 || 连续竖线、缺失分隔线、或整块表格被压成单行文本，则说明 OCR 表格重建失败，后续 JSON 转换必然失真。

这一步不可跳过：TextIn 的「表格还原精度」开关必须开启，且 PDF 页面 DPI ≥ 150，否则合并单元格会被切碎，JSON 数组里就会多出空字段或错位键名。

用 Python 脚本将 Markdown 表格转为 JSON 数组

方法一：使用 markdown-table-to-json 库（轻量、无依赖）

在 VS Code 中新建 table2json.py，填入以下代码：

```python
import sys
import json
import re

def parse_markdown_table(md_text):
lines = [line.strip() for line in md_text.strip().split('\n') if line.strip()]
header_line = None
data_lines = []
for i, line in enumerate(lines):
if re.match(r'^\s*\|.*\|$', line) and not re.match(r'^\s*\|[-:| ]+\|$', line):
if header_line is None:
header_line = line
else:
data_lines.append(line)
if not header_line:
return []
headers = [h.strip() for h in re.split(r'\s*\|\s*', header_line.strip('|')) if h.strip()]
result = []
for data_line in data_lines:
cells = [c.strip() for c in re.split(r'\s*\|\s*', data_line.strip('|')) if c.strip()]
if len(cells) == len(headers):
result.append(dict(zip(headers, cells)))
return result

if __name__ == '__main__':
with open(sys.argv[1], 'r', encoding='utf-8') as f:
md = f.read()
json_arr = parse_markdown_table(md)
print(json.dumps(json_arr, ensure_ascii=False, indent=2))
```

火山引擎

火山引擎是一款面向企业的云计算与AI服务平台。

下载

运行命令：python table2json.py input.md > output.json。注意：该脚本不处理跨行单元格，仅适用于 TextIn 输出中已成功还原为标准 Markdown 表格的场景。

在 Dify 工作流中自动完成表格→JSON 数组转换

第一步：添加「HTTP 请求」节点，调用 TextIn 的 PDF 解析 API，设置请求体为：{"file_url": "https://your-bucket/财报.pdf", "output_format": "markdown"}。

第二步：添加「代码执行」节点（Python），粘贴以下逻辑：

```python
import json
import re

md = $input.text # 接收上一节点返回的 Markdown

# 提取第一个完整表格（含表头+分隔线+数据行）
table_match = re.search(r'(\|[^\n]+\|\s*\|[-:| ]+\|\s*(?:\|[^\n]+\|)+)', md, re.DOTALL)
if not table_match:
return {"error": "未找到有效表格"}

table_block = table_match.group(1).strip()
lines = [l.strip() for l in table_block.split('\n') if l.strip()]
headers = [h.strip() for h in re.split(r'\s*\|\s*', lines[0].strip('|')) if h.strip()]
rows = []
for line in lines[2:]:
cells = [c.strip() for c in re.split(r'\s*\|\s*', line.strip('|')) if c.strip()]
if len(cells) == len(headers):
rows.append(dict(zip(headers, cells)))

return {"json_array": rows}
```