pdf_table_extract 技能

功能说明

该技能从PDF文件中提取表格数据，输出为JSON格式，适用于需要从PDF报告中提取结构化表格数据的场景。

核心功能

• 自动检测并提取PDF中的表格
• 支持指定页码范围提取
• 输出结构化JSON格式（包含表头和数据行）
• 自动创建输出目录

使用方法

python scripts/run_pdf_table_extract.py --input_path <输入PDF> --output_path <输出JSON> [--pages <页码范围>]

参数说明

参数	类型	必填	默认值	说明
input_path	string	是	-	输入PDF文件路径
output_path	string	是	-	输出JSON文件路径
pages	string	否	全部	页码范围，如"1-3,5"

示例

示例1：提取全部页面的表格

python scripts/run_pdf_table_extract.py --input_path report.pdf --output_path tables.json

示例2：提取指定页码的表格

python scripts/run_pdf_table_extract.py --input_path report.pdf --output_path tables.json --pages "3-5"

输出格式

[
  {
    "page": 3,
    "headers": ["姓名", "部门", "职位"],
    "rows": [
      {"姓名": "张三", "部门": "技术部", "职位": "工程师"},
      {"姓名": "李四", "部门": "市场部", "职位": "经理"}
    ]
  }
]

注意事项

• 需要安装pdfplumber库
• 复杂表格可能提取不准确
• 输出目录不存在时会自动创建