原创教程官方文档整理

Docling PDF 表格转 CSV：保留来源再逐项复核

关联原件的候选表格、manifest 和复核记录。

适用场景导出 PDF 候选表格为 CSV 与 HTML，记录原文件哈希和表序号，再检查合并单元格、跨页表头和金额列；附复核清单。

来源 · JevLog 编辑部Intermediate15 分钟

开始阅读

导出 PDF 候选表格为 CSV 与 HTML，记录原文件哈希和表序号，再检查合并单元格、跨页表头和金额列；附复核清单。

来源 · JevLog 编辑部 · 本站原创

原页面项目标识 · Docling

2026-10-02 新增：依据当前官方文档整理，附本站编写练习。未做真实服务调用；来源首次发布日期未确认。

背景 / 问题

复制表格时数字还在却错列，往往比少一行更难发现。先导出候选与视觉视图，再回原 PDF 核对。Jev 可后续分流待复核项，不能凭空恢复缺失数字。

准备与来源

安装 Python、docling 与 pandas；第一次运行可能下载模型并占较多内存。
挑有权限的短 PDF，另存 input.pdf；下载 table-review-checklist.csv。
官方文档

JevLog 原创流程图，非产品截图或实测结果。

JevLog 原创流程图，非产品截图或实测结果。

操作步骤

1. 从一张易核对的表开始

选 1–3 页且表头清楚的文件，人工记页码、行列数和一行关键值。先不选几百页扫描件，避免解析、OCR 和资源不足混在一起。

2. 导出两种候选视图

代码只读本地文件，输出到新目录。manifest 记录原件哈希、表序号、行列数和输出名；表序号不等于原页码，页码由复核清单补充。

from pathlib import Path
import hashlib, json
from docling.document_converter import DocumentConverter

source = Path("input.pdf")
out = Path("table-output")
out.mkdir(exist_ok=True)
document = DocumentConverter().convert(source).document
digest = hashlib.sha256(source.read_bytes()).hexdigest()
records = []
for i, table in enumerate(document.tables, 1):
 frame = table.export_to_dataframe(doc=document)
 frame.to_csv(out / f"table-{i}.csv", index=False, encoding="utf-8-sig")
 (out / f"table-{i}.html").write_text(table.export_to_html(doc=document), encoding="utf-8")
 records.append({"source": source.name, "source_sha256": digest,
   "table_index": i, "rows": len(frame), "columns": len(frame.columns)})
(out / "manifest.json").write_text(json.dumps(records, indent=2), encoding="utf-8")

3. 对照 HTML 和 CSV

HTML 看表头、合并关系和列错位，CSV 看列数与数据。跨页表头可能被当成数据行；金额、日期、百分号先保留原字符串，确认币种、负号和空白含义后再转类型。

4. 至少抽查三处原件

分别核第一行、跨页附近和最后一行，记录 original_page、table_index、issue、status、reviewer。不要因为解析成功就默认所有表格正确；资料缺失明确标 pending。

5. 复核后才交分类或财务

已核对部分另存 accepted.csv，其余继续作为候选。结构坏行接 DuckDB，业务类别接 Jev。报销和金额审批仍需原件与授权流程，不能用解析结果代替签字。

练习样例：下载 table-review-checklist.csv，可在本地练习；非本站实测结果。

结果与注意