如何从 PDF 中提取数据

为什么从 PDF 中取出数据比看起来更难

PDF 的设计目的是在任何地方看起来都一样，而不是交出里面的数据。文件存储的是文本和线条在页面上的位置，而不是它们背后的含义。没有任何东西会说明”这个数字是合计”或”这个值属于价格列”。

这就是为什么复制粘贴常常失败。列会错位，一行折成两行的内容会被拆成两段，表头会和数据混在一起。手动重新录入既慢又容易出错。你需要的是一种能像人一样读取页面、并重建其背后数据的工具。

你要提取的是哪种数据？

先想清楚你真正需要什么，然后按照对应的指南操作：

• 一张表格（发票明细行、对账单交易记录、价格清单），其中行和列很重要。请参阅如何从 PDF 中提取表格。
• 纯文本（合同、信函、扫描的表单），你想把文字干净地提取出来。请参阅如何从 PDF 中提取文本。
• 一份可以在任何地方打开的电子表格，其中 CSV 是通用格式。请参阅如何将 PDF 转换为 CSV。
• 一个 Excel 工作簿，用于求和、筛选和数据透视。请参阅如何将 PDF 转换为 Excel。

如果你的文档是照片或截图而不是 PDF，同样的方法也适用于图像。如果你需要的是关键术语而不是每一个字，请参阅如何从文本中提取关键词。

如何使用 NiceData 从 PDF 中提取数据

无论你要提取什么，流程都是同样的三个步骤。

第 1 步：上传你的 PDF

登录 NiceData，把你的 PDF 拖到上传区域。可以拖入单个文件，也可以一次拖入多个。单页和多页 PDF 都可以，扫描的 PDF 和页面照片也都没问题。更喜欢用邮箱？每个项目都有自己的电子邮件地址，所以你可以把 PDF 作为附件发送邮件，直接传进来。

第 2 步：让 NiceData 读取页面

上传一完成，NiceData 就会读取文档。它使用 AI 识别页面上的文本、表格、日期和金额，并将它们整理成干净的结构化数据。你不需要标注任何内容，也不需要告诉它字段在哪里。它会自己分辨清楚，即使是它从未见过的版式也一样。

第 3 步：导出你的数据

提取完成后，点击下载按钮并选择你的格式。CSV 和 Excel 可以直接在电子表格中打开，JSON 可供另一个系统使用，或者你也可以从仪表盘复制你需要的字段。

选择合适的导出格式

你选择的格式取决于数据接下来的去向：

• CSV 是通用之选。它可以在 Excel、Google Sheets 以及几乎所有商业工具中打开。
• Excel 最适合在你想要带样式的表头、公式和数据透视表时使用，或者当你要和同事共享文件时使用。
• JSON 是开发人员偏爱的格式，适用于数据要输送到另一个工具、集成或自定义应用的场景。
• 从仪表盘复制对于一次性操作最快捷，当你只需要把几个字段粘贴到某处时很方便。

你可以自由组合。把同一份 PDF 导出为 CSV 给财务团队，再导出为 JSON 给开发人员，无需任何额外步骤。如果数据最终要落进团队每天手动录入的电子表格工具里，请参阅我们对最佳数据录入软件的对比。

为什么 NiceData 是从 PDF 中提取数据最简单的方式

大多数承诺能从 PDF 中提取数据的工具都要求你先做设置。你要为每种文档类型绘制一个可视化模板，把每个字段映射到页面上的某个区域。你要用几十个带标注的样本训练模型。你要为棘手的部分编写规则。有些工具甚至在提取出第一个字段之前，就把整个工作交给开发人员和一个 API 账户。

NiceData 跳过了所有这些。你上传 PDF，它读取页面，你下载数据。如果你想微调提取的内容，你可以创建一个模板，用通俗的语言描述你想要什么，然后在一个样本上测试它。无需字段映射，无需模型训练，无需代码。

这就是区别所在。其他工具是为大型技术团队打造的。NiceData 是为任何有 PDF 和截止日期的人打造的。在价格页面选择一个方案，或者先用免费试用，在你自己的文档上运行它。

你可以上传哪些文件类型

PDF 是本指南的主角格式，但 NiceData 几乎可以读取任何类型的文档：

• PDF（单页或多页，数字版或扫描版）
• JPG 和 JPEG（照片和扫描件）
• PNG（截图和高质量图像）
• TIFF 和 TIF（扫描仪常用）
• GIF 和 WebP
• Word 文档（DOC 和 DOCX）
• Excel 文件（XLS 和 XLSX）
• CSV 和纯文本文件

你可以把它们全部放进同一个项目，也可以用邮件发送进来。NiceData 都会以同样的方式处理它们。