UiPath Studio中提取含空单元格的可变列PDF表格方法咨询

• 使用PDFium库结合自定义解析逻辑
  用Uipath的Read PDF with PDFium活动提取文本，它能保留表格的布局排版信息，包括空单元格的位置。把提取到的内容按行拆分后，分析每行里连续空格的位置作为列分隔边界，逐行拆分出对应列的单元格，空位置直接留空字符串，就能完整保留空单元格。

• 借助Tabula引擎的自定义配置
  在Document Understanding里集成Tabula，开启Detect empty cells选项，针对结构不固定的表格切换到Stream模式——这个模式会根据文本的实际布局识别单元格，哪怕列宽变化，也能精准捕捉到空单元格的位置，不会跳过。

• 自定义OCR后处理逻辑（针对扫描件PDF）
  如果是扫描生成的PDF，用Tesseract OCR或Google Cloud Vision提取文本时，同时获取每个文本块的坐标信息。把页面按表格的行、列坐标区域划分，每个区域对应一个单元格，不管区域里有没有内容都生成对应单元格，空区域直接标记为空值。可以用Uipath的Find Text Position活动获取元素坐标，再遍历区域填充表格。

• 用Excel VBA辅助解析
  把Read PDF Text的输出粘贴到Excel，写个简单的VBA宏：用固定宽度拆分（TextToColumns）或者循环判断每行的字符位置，按列拆分内容，空单元格的位置直接保留为空，最后导出成规范表格。

内容的提问来源于stack exchange，提问作者Lakshmy