PDF 解析为什么容易出错？文本、表格、图片和版面结构如何保留？
面试问到这个问题，核心考的是你对 PDF 格式底层设计的理解，以及在工程层面如何解决"结构化信息丢失"的问题。很多人在实际项目中碰到 PDF 解析不准，第一反应是工具不好用，但真正的问题是 PDF 本身就不是为"提取数据"设计的。
接下来我们拆开讲，先说 PDF 为什么天生难解析，再说文本、表格、版面这几个具体场景怎么处理。
PDF 为什么天生难解析？
先说一个关键事实：PDF 是"所见即所得"的排版格式，内部只存坐标和绘制指令，没有语义标签。
什么意思？你把一段文字扔进 Word，它会记录"这是标题""那是正文""这是一个表格"，结构是清晰的。你扔进 HTML，它也有 <h1>、<p>、<table> 这样的标签。但 PDF 不一样——它只记录"在这个坐标画这几个字，用什么字体，画多长"，至于这段文字是标题还是段落，PDF 根本不知道。
类比一下：就像给你一张装修好的房子照片，让你推断出房间布局。你能看到沙发在哪、桌子在哪，但你不知道哪个是客厅哪个是卧室。PDF 给你的就是这张照片，它只管"画了什么"，不管"是什么"。
这就是 PDF 解析的根本困难：格式设计初衷是排版展示，而非数据提取。所有 PDF 解析工具，本质上都是在用算法"猜"原始结构，猜错了就出 bug。
文本碎片化——你以为连续的文本可能是断开的
很多人以为 PDF 里一段话就是一段话，读出来就行。但实际上，PDF 内部的文本可能被拆成 N 个碎片。
什么情况会拆分？最常见的是字体和样式变化。比如一句话里"重点"两个字加粗了，PDF 会把这段文字拆成：普通字体的片段 + 加粗字体的片段。再比如英文里斜体换了字体，也会被拆开。
还有一个更坑的情况：多栏布局。两栏 PDF 的源码顺序，可能是左栏第一段、左栏第二段、右栏第一段、右栏第二段。但人阅读的时候是顺着左栏读完读右栏。解析时如果直接按源码顺序读，读出来的顺序就是乱的。
这就引出一个核心操作：文本重组。拿到 PDF 源码里的文字片段后，需要按视觉坐标重新排序，而不是按 PDF 内部的顺序。这个说起来简单，但处理页眉页脚、页码、脚注这些干扰项就很麻烦。
实际项目中还有一个陷阱：中英文混排的 PDF。中文通常用 CID 字体编码，英文用另一个系统，解析时字符编码可能对不上，读出来是乱码或者空格。这种情况要先检测字体编码方式，再决定用哪种解码策略。
表格解析——难的不在识别，在还原业务关系
表格解析是 PDF 解析里最复杂的一块。很多人觉得表格解析就是"把格子里的字读出来"，但真正的问题在于：单元格之间的关系代表了业务语义，识别不出关系，数据就没意义。
举几个具体场景：
多层表头。比如一个财务表格，第一行是"项目"，第二行是"2024年"下面分"收入"和"支出"，第三行才是具体数据。这种多层嵌套的结构，解析时要搞清楚"2024年收入"是一个完整字段路径，不是简单的"2024年"加"收入"。
合并单元格。表格里"西部地区"合并了两行，下面各自的销售额需要继承"西部地区"这个上级分类。如果解析时只读出数字，不知道它属于哪个地区，这个数据就没法用。
跨页表格。一个大表格跨了两页，第二页的表头可能省略了，只剩数据行。解析时要能判断这是第一页表格的延续，把缺失的表头补上。
所以表格解析的评估标准应该是：业务语义完整性，而不是"能不能导出 Excel"。一个表格解析错了数字，下游的数据分析全部报废。
版面保留的本质——把排版关系转为结构化数据
说到"版面保留"，很多人第一反应是"导出成 Excel"。但这不是保留，这是丢失。
版面保留的核心是：把 PDF 里的排版关系（表头层级、合并关系、跨页连续性）翻译成目标格式里等价的关系结构。不是简单地把格子转成单元格，而是让目标文档的读者能理解同样的数据关系。
拿翻译财务报表举例。翻译一张中文财报，不是把文字换成英文就完了。原表格的"季度对比"结构、合并单元格的分类汇总、跨页的连续表格，翻译后要让英文读者也能理解同样的对比关系和分类逻辑。
这引出两个技术路线的区别：
传统方案（规则驱动）：写一堆正则和启发式规则处理特定版式。优点是简单场景下可控，缺点是换一个版式就要重写规则，维护成本高。
智能方案（版面分析 + 结构还原）：先做版面分析识别区域类型（正文、表格、图片、标题），再针对不同区域用不同策略提取和还原。优点是通用性强，缺点是依赖模型效果，bad case 不好排查。
没有绝对的最优方案。结构简单的 PDF 用规则驱动就够了，复杂的版式才需要上智能方案。选什么方案，要看文档结构和目标场景。
面试怎么答
基础版
PDF 解析容易出错，根本原因是 PDF 设计初衷是排版展示而非数据提取，内部只存坐标和绘制指令，没有语义标签。文本在 PDF 里可能是碎片化的——字体变化、样式切换都会导致拆分，多栏布局下源码顺序和阅读顺序也不同，需要按视觉坐标重组。表格解析的难点是还原单元格之间的业务关系，比如多层表头的字段路径、合并单元格的字段继承、跨页表格的连续性判断。版面保留的核心是保留结构语义，不是导出格式，而是把排版关系翻译成目标格式里等价的关系结构。
加分版
在基础版回答上加这些点：
评估 PDF 解析能力的标准应该是"业务语义完整性"，而不是"能否导出 Excel"。具体来说，多层表头要看能否还原完整的字段路径，合并单元格要看能否正确继承上级分类，跨页表格要看能否判断连续性。
技术路线上，传统规则方案在简单场景可控，但换版式就要重写；智能方案通用性强但依赖模型效果。没有单点最优方案，需要根据文档结构和目标场景选择技术路线，实际项目里经常是两者结合——规则处理固定版式，智能模型处理变化版式。
一句话总结
PDF 解析的核心困难是格式设计缺陷导致的结构信息缺失，解决方案是按视觉坐标重组文本、按业务语义还原表格关系、把排版关系翻译成等价结构。
