把扫描 PDF 里的表格交给 AI，难点常常不在认出一个数字，而在判断它属于哪一行、哪一列。一个金额被放进隔壁列，文字仍然通顺，却已经改变了记录。可靠的整理流程应保留页面位置与表格结构，再检查转成数据后的对应关系。
先区分可复制文字与扫描图片
尝试选择 PDF 中的一小段文字并复制到空白文档，检查顺序和内容。能选择文字只是线索，不保证表格复制后仍有正确列序；有些文件带有旧的识别文字层，内容也可能错误。无法选择文字的页面通常需要图像文字识别，也就是 OCR。
先看全页是否缺边、倒置、模糊或有折痕。能重新扫描时优先改善原件，保存完整原图。裁取表格时保留标题、表头和脚注，不要只留下密密麻麻的数值，再要求工具猜单位。
在识别前确定录入字段
以一份虚构的设备清单为例，目标列可设为原页码、原行号（页内明细行的顺序编号，不计表头与页脚）、设备编号、名称、数量、单价、备注。编号按文本保留，避免前导零丢失；数量与单价分列，单位单独记录。先明确这些规则，再处理第一页作为样本。
另外保留一列“原文”，用于存放识别前后有歧义的单元格。输出中的空白、横线和零值要区分：原件没有填写，不能自动变成零；破折号也可能表示不适用，应按文件说明判断。
把表头层级展开清楚
合并表头可能表示某几列共用一个年份、地区或单位。平面表格应把完整含义写进列名，例如“今年数量”和“去年数量”，不能把它们都叫数量。识别结果即使提供合并单元格信息，也需要检查跨度是否覆盖正确列。
纵向合并的项目名称同样需要明确规则。可以在整理表中向下填充名称，但保留这是由合并格展开而来的记录，不将其当作原件每行都写过。遇到多层嵌套的小计行，先标记行类型，暂不与明细混合计算。
跨页拼接先核对首尾
检查上一页最后一行是否完整，下一页是否延续同一条记录。续页重复表头可以移除，页脚、页码和“接下页”不能混入数据。两页列数一样，也不能直接认定它们是同一张表，要比较标题、字段含义和计量单位。
每拼接一页，记录新增多少条明细和多少条说明。若一行文字跨到下一页，保留两页位置，在人工确认后合并。不要让 AI 凭相近名称自动合并两条独立设备记录。
给工具一份可执行的要求
请按页面顺序提取表格，保留原页码和原行号。先说明表头层级，再输出明细。编号保持文本，不改变小数、负号和单位。无法辨认的字符标出位置并保留图像线索，不用相邻行猜值。小计、总计和脚注单独列出；跨页合并先给出拟合并的两行。
能读取文件的工具与专用 OCR 服务支持范围不同，应先确认本次所用工具能够看到页面图像。仅上传提取后的纯文本，通常无法让工具重新检查原来的单元格位置。
按行数和计算关系复核
- 逐页比较明细条数，先查漏行和重复行。
- 抽查首尾行、合并格、负数、小数点和看不清的字符。
- 对有明确计算关系的列重新计算，并与原件小计比较。
- 差额出现时回到具体行查找，不让模型自动修正金额凑平。
如果原件本身存在舍入或分项口径差异，应记录差异原因。合计一致也不能证明每格正确，两处相反方向的错误可能恰好抵消；重要字段仍需逐项核对。
交付时保留三份文件
保留原始 PDF、未经清洗的提取结果、已经核对的整理表。给整理表注明页码范围与处理日期，另列仍无法确认的单元格。以后收到更清晰版本，可以按行号替换，不必重做整份数据。
正式使用前，再用实际接收表格的软件打开文件，检查中文、编号和日期有没有被自动转换。文本抽取、结构整理和数据核对是不同环节，完成最后一步后，结果才适合进入后续统计。