# 扫描版 PDF 表格 OCR：核对行、列、单位和分页

对照原始扫描件检查识别出的表格，重点看合并表头、数值对齐、单位，以及跨页续表。

一张表格可能每个数字都在，意思却完全错了。把一个数值往右挪一列，它可能就变成了另一年、另一组处理或另一个单位。核对扫描版 PDF 的表格 OCR，要看标签和数值之间的对应关系，而不只是数字看起来是否合理。

先打开原始页面图像，挑一张完整的表格。在把数值复制进表格软件或报告之前，把表头、表体、注释和续表都看一遍。

## 先理清合并表头，再核对单元格

表头可能横跨好几列，下面再有一行给出各列的具体标签。比如“年产量”可能覆盖两个年份，每个年份下面又按产品类型分开。如果跨列的表头丢了，导出的行看起来整整齐齐，含义却已经没了。

挑一个数值，把它的完整标签写出来：表名、组标题、列标题、行标题和单位。然后看只凭转换结果，读者能不能把这个标签还原出来。

合并的行标签也要这样处理。一个类别只印一次、旁边跟着好几行，它可能管着下面所有这些行。它下面的空白单元格不一定就是缺数据，把每个空格都填成 0，反而改动了原文。

后面在 Markdown 里怎么表示表格，见[PDF 表格转 Markdown](https://pdfcraft.ai/zh-CN/blog/pdf-tables-to-markdown/)。这里要问的是：原表有没有被正确识别。

## 双向核对数值

先在扫描件里挑一个数值，在结果里找到它所在的行和列。再从结果里挑一个数值，回到扫描件里找它的出处。反向核对能发现重复的行，或者找不到来源的数值。

取样时换个位置：第一行、中间、最后一行，再挑一行带注释标记或特殊标点的。检查小数点、负号、千位分隔符、百分号、数值范围和括号。这些符号即使周围的数字都对，也会影响含义。

空白、短横线、“不适用”和 0 之间的区别要保留。表格的图例可能给它们规定了不同的含义。在弄清图例之前，不要为了方便就把它们统一处理；如果确实改了，单独记录下来。

## 单位要连同表头和注释一起看

一个数值标着“收入”，而“单位为千元”只写在表格上方或下面的注释里，这个数值就是不完整的。确认这个限定语保留了下来，并且仍然对应着正确的数值。

单元格内部的单位也要看。上标、词头和度数符号可能很小，在质量差的扫描件里容易消失。从毫克变成克，可不是排版上的小问题。

如果之后要翻译这份文档，把单位识别和语言选择分开处理。不能指望译者去发现 OCR 漏掉了一个指数。先把识别出的原文核对好，再对照翻译后的表头和说明。

## 跨页表格要谨慎拼接

留意“续表”字样、重复的列标题、被拆开的行，以及只出现在最后一页之后的注释。重复的表头不应该变成多出来的一行数据；重复的行标签可能是续接，而不是第二次观测。

检查分页前最后一行数据和分页后第一行数据。如果一段说明文字跨到了下一页，确认它的数值仍然属于同一个条目。末尾的脚注可能适用于前面几页的行。

即使你从工作表格里删掉了分页标记，也要在核对记录里保留分页位置。这样一旦发现漏行或意外的重复，就能追溯它们是从哪里来的。

## 记录差异，不要猜数字

记录方式可以很简单：源页码和表名、行标签、列标签、有争议的数值、原文读法、更正状态。读不出来的数值标为“未解决”。不要因为某个数字能让合计对上，就选它。

合计和数值范围可以作为交叉验证，但不能当作证据。原文本身也可能有舍入或编辑错误。识别阶段的更正，要和数据之后的理解分开记录。

[PDF Craft](https://pdfcraft.ai/zh-CN/pdf-craft/pdf-to-markdown/) 在转换 PDF 时会识别表格，扫描件也包括在内。如果目的是编辑和复用，选 Markdown，然后把下载的文件和原件对照检查。复杂或字迹模糊的表格要仔细核对；不能笼统地保证所有合并单元格或跨页结构都能正确识别。

在把表格用于研究笔记之前，把表名、单位、抽样行和注释放在一起核实。[PDF 转 Markdown 的研究工作流](https://pdfcraft.ai/zh-CN/blog/pdf-to-markdown-for-research/)介绍了表格离开原文档后，怎样保留这些来源信息。