MATLAB读取PDF全攻略：文本提取、表格识别与OCR处理

上个月在处理一批评测报告时，又碰到了老问题——客户发来几十个PDF文件，全是技术手册和数据公报，我得把里面的测试条件、指标数值、结论段落逐一捞出来整理成Excel。一开始我想得很简单，MATLAB里不就有现成函数么，结果第一份PDF就给了我一个下马威：扫描版合同读出来全是空白，另一份带复杂表格的技术报告文本是出来了，但表格列全错位，根本没法直接用。

后来我把MATLAB下PDF文件操作读取这件事完整梳理了一遍，发现它其实要拆成好几条路线来处理，没有哪个万能函数能一招吃遍所有PDF。这篇就把我实测过的方法、踩过的坑、能直接拿去改的脚本都写出来，供正在用MATLAB处理论文、报告、说明书、数据公报，或者需要成批PDF自动提取信息的朋友参考。

1. MATLAB读PDF的路线选择：先搞清楚PDF的"成色"再动手

MATLAB不像处理Excel那样有一个类似readtable的readpdf函数，这是很多人第一次尝试后都会疑惑的点。原因说穿了也简单：PDF本质上是一套页面描述语言，文本、图片、矢量图形、表格线条全部以绘图指令的形式混排在一起，并不像Excel那样自带"单元格"或"行"这样的结构化语义。所以处理PDF之前，必须先判断你手里的文件属于哪种类型，再决定走哪条技术路线。

1.1 文本型、表格型、扫描件：三种PDF的根本区别

按照读取难度，我习惯把PDF分成三种成色：

文本型PDF。使用鼠标选中文字时，能够逐字高亮。这类PDF内部有真正的文本对象和字体编码，是最容易提取的一类，绝大多数Word、LaTeX导出的PDF都属于这一类。

表格型PDF。文字同样可以选中，但其中包含大量表格区域。PDF里的表格其实只是若干条线段和浮动文字块，并没有"第几行第几列"这样的概念。普通文本提取工具读完之后，表格单元格的顺序通常是混乱的，列与列之间的关系完全丢失。

扫描件PDF。整页就是一张图片，文字本质上是像素点，鼠标选中没有任何反应。这种PDF必须走OCR（光学字符识别）才能拿到可编辑文本，任何基于文本层的提取工具对它都无能为力。

搞清楚这三者的区别，基本就决定了后续80%的工作量。我见过太多人在扫描件上反复尝试extractFileText，最后只得到一个空字符串，然后怀疑代码写错了——其实方向从一开始就偏了。

1.2 方案对照表与我的选型建议

以一个做技术文档处理的长期项目视角，我把适合MATLAB场景的几种方案整理成了一个对照表：

我的默认建议是：先用最轻量的方式验证PDF是不是带文本层。如果extractFileText能读出一段话，就按文本型处理；如果读出来是有文字但表格数据全部错位，就上pdfplumber；如果读出来是空的，再考虑是否扫描件。

2. 文本型PDF读取：extractFileText实战与中文乱码排查

对于大多数普通PDF，extractFileText是最直接的工具。这个函数来自Text Analytics Toolbox，如果你的MATLAB版本许可里包含这个工具箱，直接用就行。可以先在命令窗口输入ver查看已安装工具箱，确认是否有Text Analytics Toolbox，没有的话有学校或单位授权的完整版安装包一般都会带上。

2.1 用extractFileText把正文抽出来：基础示例

最基础的用法非常简洁：

% 提取整个PDF的纯文本内容 txt = extractFileText("report.pdf"); disp(strlength(txt)); % 查看前500个字符，确认是否读到了有效内容 headLines = extractBetween(txt, 1, 500); disp(headLines)

extractFileText返回的是MATLAB的string类型，可以直接使用strlength、extractBetween、contains等字符串函数继续处理。这比传统用fopen逐行读文本文件还要省事。

如果PDF页数很多，可以指定只提取某一页或某几页：

% 只提取第2页到第5页 txtPart = extractFileText("report.pdf", "Pages", [2 5]); % 只看第3页 txtPage3 = extractFileText("report.pdf", "Pages", 3);

这个按页提取的能力在实际项目中非常实用。比如某份技术公报，前面十几页都是目录和修订记录，真正有价值的数据集中在最后几页，那就直接把Pages参数指过去，省得后面还要在长文本里做切割。

提示：如果系统里同时有多个MATLAB版本，注意确认当前使用的是哪一个版本的工具箱路径。实际遇到过一次低版本MATLAB因为工具箱不完整，extractFileText这个函数根本不存在的报错。

读到文本后，下一步通常是做清洗和结构化。我一般是这样处理的：

% 把换行符统一成char(10)，方便后续按行处理 txt = replace(txt, char(13), ""); lines = splitlines(txt); lines = strip(lines); lines(lines == "") = []; % 删除空行 % 如果想定位包含某个关键词的行 targetLines = lines(contains(lines, "测试条件")); disp(targetLines);

这样一套下来，从PDF到可分析的行文本就完成了。

2.2 中文乱码与内嵌字体：90%的人会遇到的坑

文本型PDF读取最让人崩溃的不是读不出来，而是读出来全是乱码，尤其是中文资料。现象是英文和数字正常，中文变成一个个方框或问号，有些甚至变成韩文和日文编码的样子。

我自己追过一次这个问题的根源：PDF为了保证跨平台显示一致，通常会把用到的字体子集内嵌进文件里。问题是很多转换工具在嵌入中文字体时，并没有提供完整的Unicode映射表（PDF标准里对应的是ToUnicode CMap），提取工具只能靠猜测把字形编码对应到字符，猜错了就出乱码。这不是MATLAB一个工具的问题，任何基于文本层的提取工具遇到这类PDF都会翻车。

碰到这种情况，我的排查顺序是这样的：

第一步，先换pdftotext试试。这是Poppler工具集里的命令行程序，对字体映射的处理经验非常丰富。Linux下直接sudo apt install poppler-utils，Windows下可以从Poppler的Windows构建版下载并加入PATH。

% 调用外部命令读取PDF，-layout参数尽量保留版面布局 [status, result] = system("pdftotext -layout report.pdf -"); if status == 0 extractedText = string(result); else error("pdftotext执行失败"); end

实际经验中，pdftotext对中文PDF的处理往往比MATLAB内置函数更稳，成功率和字体映射兜底能力都强不少。我用它解决过好几个extractFileText乱码的PDF。

第二步，如果pdftotext也乱码，那大概率是PDF生成端的编码就非常规。这时候别跟文本层死磕，直接转到OCR路线上，后面第五节会详细说。

第三步，如果你还有源文件，去源头上做修改。在Word、LaTeX、WPS里导出PDF时，尽量选择标准PDF字体或完整嵌入字体，不要用"仅嵌入所用的子集"配合优化压缩的方案，能大幅降低下游提取乱码的概率。这个属于上游建议，但对批量处理别人发来的PDF帮助有限。

注意：extractFileText无法处理加密的PDF，如果文件设置了打开密码，函数会直接报错。关于密码和权限的处理，我在第五节会展开。

3. 表格型PDF提取：借力pdfplumber把单元格数据带回MATLAB

如果确认PDF里有大量表格，那extractFileText这类方案只能当备胎。拿一份测试报告举例，我用extractFileText提取后，表格里"温度 25°C 湿度 60%RH"这种单元格内容被拆得乱七八糟，原本在一行里的三列数据变成了三行，完全没法对应起来。

3.1 为什么PDF表格这么难提取：布局语义的缺失

要理解这个问题，你得知道PDF里的表格到底长什么样。PDF中没有"表格"对象，它只有几样基本东西：文字对象（带位置坐标）、线条或矩形路径、图片。你看到的表格边框线只是一堆画线指令，单元格里的文字也只是根据坐标散落排布。

任何表格提取工具，干的事情归纳起来就一句话：用线条交叉点和文字坐标，去反推单元格的边界，再把落进每个边界的文字拼成单元格内容。所以表格提取的成功率极其依赖原始PDF中线条是否完整、文字是否对齐整齐。有的PDF为了美观用了很细的边框线、有的表格没有线条只用底色区分、有的单元格跨页——这些都会让表格提取工具失灵。

pdfplumber之所以在社区口碑不错，是因为它对线条和文字的坐标聚类做得比较细，还能通过参数手动调教提取策略。MATLAB里没有直接对标的功能，但MATLAB可以通过Python接口调用pdfplumber，反而走出了第三条路。

3.2 MATLAB调用pdfplumber的完整示例

先做好环境准备。假设你已经安装了Python（版本3.8到3.11都可以，具体看你的MATLAB版本兼容性），在命令行里安装依赖：

pip install pdfplumber openpyxl pandas

然后在MATLAB里确认Python环境已被正确识别：

% 查看当前MATLAB使用的Python pyenv % 如果路径不对，手动指定Python解释器 % pyenv("Version", "C:\Python311\python.exe");

确认环境没问题后，就可以正式调用了。下面是一段我调通后一直在用的代码，作用是把PDF第一页的表格完整提取到MATLAB的cell数组里：

% 导入需要的Python模块 py.importlib.import_module('pdfplumber'); % 打开PDF文件 pdfObj = py.pdfplumber.open('test_report.pdf'); try pages = pdfObj.pages; page = pages{1}; % MATLAB访问Python列表元素用大括号 % 提取该页所有表格 tables = page.extract_table(); if isempty(tables) error('该页面没有检测到表格'); end % pdfplumber返回的是Python的list of list，先转成MATLAB cell rowList = cell(tables); numRows = numel(rowList); colList = cell(rowList{1}); numCols = numel(colList); result = cell(numRows, numCols); for r = 1:numRows vals = cell(rowList{r}); for c = 1:numCols val = vals{c}; if isa(val, 'py.NoneType') % 单元格为空时pdfplumber返回None result{r, c} = missing; else result{r, c} = string(val); end end end % 展示结果 disp(result); % 如果第一行是表头，可以这样生成表格对象 dataTable = cell2table(result(2:end, :), 'VariableNames', result(1, :)); % 导出为Excel，这一步就自然衔接了MATLAB读取excel数据的周边需求 writetable(dataTable, 'extracted_table.xlsx'); finally % 关闭pdf对象，避免文件被占用 pdfObj.close(); end

这段代码有几个细节值得说明。

第一，py.pdfplumber.open()返回的对象在MATLAB中是个py.pdfplumber.PDF对象，使用完务必调用close()。我一开始不熟悉，连续处理几十个PDF后系统提示文件被占用，排查了半天才发现是没关句柄。

第二，tables = page.extract_table()提取的是该页检测到的第一个表格。如果一页里有多个表格，pdfplumber还提供了extract_tables()（复数）方法，返回的是所有表格的列表。实际项目中，一页多个表格的情况非常常见，比如上半部分是参数表、下半部分是误差分析表，这时候要遍历每个表格：

allTables = page.extract_tables(); for t = 1:numel(allTables) singleTable = cell(allTables{t}); % 继续处理每个表格... end

第三，关于跨页表格。pdfplumber默认只在单页内提取表格，如果一个表格从第3页延续到第4页，那两页会各自提取出半个表格。处理跨页表格时，我通常的做法是按页提取后检查首列是否重复（如表头重复出现），然后手动拼接两个表。没有特别完美的纯自动方案，因为跨页表格的分割逻辑在不同PDF中差异太大。

第四，合并单元格的情况。pdfplumber对于合并单元格，在被合并的空白区域会返回None（即上面的py.NoneType判断分支）。你需要在处理时决定填充规则：向前填充（把上方非空值往下带）还是向后填充。一般报表习惯是合并单元格只在起始位置有值，其余为长空白，所以用"缺失值填充为上一个有效值"的策略比较合适。

我提供一个填充缺失值的辅助代码片段：

% 将当前列中missing值替换为上方最近的非missing值（向下填充） function data = fillMissingDown(data) for c = 1:size(data, 2) lastValid = ""; for r = 1:size(data, 1) if ismissing(data{r, c}) data{r, c} = lastValid; else lastValid = data{r, c}; end end end end

实测下来，这套组合在多数规章类PDF表格上表现不错，尤其是那种线条完整、文字对齐的表格，提取准确率能做到95%以上。

4. 批量处理与自动导出：把一个文件夹的PDF变成一张Excel清单

日常工作中最常见的场景不是读单个PDF，而是有人一次性丢来几十个PDF，要求从里面提取某个字段、某个表格，整合到一张汇总表里。这种批量需求，才是最体现效率的地方。

4.1 文件遍历与信息提取脚本骨架

% 指定PDF所在文件夹 folderPath = "D:\test_reports\"; files = dir(fullfile(folderPath, "*.pdf")); % 预分配结果存储 numFiles = length(files); fileNames = strings(numFiles, 1); summary = strings(numFiles, 3); % 假设每份文件提取3个关键字段 for k = 1:numFiles fullPath = fullfile(folderPath, files(k).name); fileNames(k) = files(k).name; try % 读取文本层 txt = extractFileText(fullPath); % 用正则或关键词定位字段 % 例：提取"型号：ABC-123"中的型号 pat = "型号[：:]\s*([A-Za-z0-9\-]+)"; match = regexp(txt, pat, 'tokens', 'once'); if ~isempty(match) summary(k, 1) = string(match{1}); end % 提取第二个字段，比如测试日期 datePat = "日期[：:]\s*(\d{4}-\d{2}-\d{2})"; matchDate = regexp(txt, datePat, 'tokens', 'once'); if ~isempty(matchDate) summary(k, 2) = string(matchDate{1}); end % 统计字符数作为质量指标 summary(k, 3) = string(strlength(txt)); catch ME % 记录失败原因，不要把整个循环中断 warning('处理失败: %s，原因: %s', fullPath, ME.message); summary(k, :) = ["读取失败", "", ""]; end end % 汇总成表格 resultTable = table(fileNames, summary(:,1), summary(:,2), summary(:,3), ... 'VariableNames', ["文件名", "型号", "日期", "提取字数"]); % 导出Excel writetable(resultTable, "summary.xlsx");

这段脚本的精髓在try-catch的使用。批量处理时最怕某个PDF格式异常导致整个循环崩溃，前面处理完的全部白干。我始终用try-catch包住单文件处理逻辑，失败文件在warning里输出并继续往下跑，全部跑完后可以再针对失败文件单独排查。

正则表达式这块是提取效率的分水岭。先用extractFileText拿到全文，再用regexp定位小字段，比去读整页表格要快得多，而且对格式轻微变化容忍度更高。写正则时注意中文冒号和英文冒号都覆盖一下，用[：:]这种方式，因为不同PDF生成工具里的标点经常不统一。

4.2 并行加速与异常保护：跑批时不中断

如果PDF文件数量上百，且每个文件都有几十页，单循环可能会跑很久。这时候可以用parfor把循环并行化，尤其适合CPU多核环境。

% 启动并行池 parpool; % 预分配结果 results = cell(numFiles, 1); parfor k = 1:numFiles fullPath = fullfile(folderPath, files(k).name); try txt = extractFileText(fullPath); results{k} = [files(k).name, string(strlength(txt))]; catch ME results{k} = [files(k).name, "FAILED:" + ME.message]; end end

但是有几个并行处理的注意事项，都是过来人才知道的坑。

第一，parfor循环体内不要直接写Excel或写入共享文件。每个worker进程各自持有一份结果，直接并行写入会出现文件锁冲突。正确做法是把结果存进cell数组，循环结束后在client端统一writetable导出。

第二，调用外部工具（比如pdftotext）时，确认工具路径在每个worker上都能访问。如果是网络映射驱动器上的读库，并行时会放大网络IO瓶颈，不如本地拷一份再跑。

第三，如果某个PDF包含需要解密或访问外部资源的操作，并行时可能会出现资源竞争。遇到这类文件，我倾向于把可疑文件单独提取出来串行重试一遍。

5. 扫描件与加密PDF的破局思路：OCR与权限限制的处理

前面几条路线都建立在PDF有文本层基础上，但现实中总有一部分PDF是扫描件或加密文件。这两类文件用extractFileText读出来基本是空白，需要换个思路。

5.1 怎么判断一个PDF是扫描件

先做一个快速判断。对每个PDF执行一次文本提取，如果返回的字符串长度非常小（比如小于10个字符），而文件页数又不少，那基本可以断定是扫描件。也可以直接在PDF阅读器里尝试用鼠标选中文字，选不中的就是扫描件。

还有一个技巧：拿到PDF文件后先用dir看一下文件大小。纯扫描件的PDF一般体积较大，因为每页都嵌入了一张高分辨率图片。文本型PDF如果没内嵌大量图片，体积通常明显更小。虽然这个规律不绝对，但作为快速筛选条件足够了。

5.2 借助pytesseract做中文OCR：MATLAB里的完整流程

对扫描件，最直接的办法是OCR。MATLAB自带的Computer Vision Toolbox里也有ocr函数，处理印刷体英文效果不错，但是对中文支持相对有限，尤其是带特殊字体的扫描件。实测下来，如果只是英文报告，MATLAB内置ocr足够；但中文扫描件，我更推荐用pytesseract配合简体中文语言包，再通过MATLAB的Python接口调用。

技术路线是这样的：先用pdftoppm（Poppler工具集的一部分）把PDF的每一页转成PNG图片，再用pytesseract对图片做OCR识别。

% 第一步：把PDF转成图片 [status, ~] = system("pdftoppm -png -r 300 scan_report.pdf page"); if status ~= 0 error('pdftoppm转换失败'); end % 转换成功后当前目录会生成page-1.png、page-2.png等文件 pngFiles = dir("page-*.png"); % 第二步：通过Python调用pytesseract识别 py.importlib.import_module('pytesseract'); py.importlib.import_module('PIL'); fullText = ""; for k = 1:length(pngFiles) imgPath = fullfile(pwd, pngFiles(k).name); img = py.PIL.Image.open(imgPath); % lang参数指定中文简体，注意需要提前下载好语言包 text = py.pytesseract.image_to_string(img, pyargs('lang', 'chi_sim+eng')); fullText = fullText + string(text) + newline; end

这里有个参数值得强调：-r 300表示300 DPI渲染分辨率。OCR识别率和渲染分辨率强相关，我实测过150 DPI下识别准确率明显下降，300 DPI时基本够用，碰上字号特别小的可以提到400甚至600，但代价是转换时间和磁盘占用会成倍增加。

pytesseract需要安装Tesseract OCR引擎本体。Windows下安装Tesseract时，在安装界面勾选中文语言包（或之后手工把chi_sim.traineddata放进tessdata目录）。Linux下用sudo apt install tesseract-ocr tesseract-ocr-chi-sim。这个环节跟MATLAB本身没有关系，但部署环境时最容易漏掉。

OCR输出后的文本，同样可以走前面讲过的字符串清洗、正则提取流程。说实话，扫描件的OCR提取很难做到100%准确，尤其盖章、手写、反光区域。我在实际项目中会把OCR结果和原文图片并排保存，方便人工复核时对照。

5.3 关于加密PDF：只在合法授权范围内处理

加密PDF也是日常很容易遇到的情况。需要注意，PDF的加密分两种：一种是打开密码（用户密码），没有密码连打开都做不到；另一种是权限密码（所有者密码），文档能打开看，但限制了复制、打印或编辑。extractFileText遇到这类文件通常会报错，错误信息里带encrypted字样。

权限密码的场景下，如果你本身就是文档的接收方，日常工作需要提取文字做整理，可以在有合法权限的前提下使用Python的PikePDF或PyPDF2库去除权限限制后读取。下面是一段用PikePDF处理的示例：

py.importlib.import_module('pikepdf'); % 打开加密PDF，密码参数按实际情况填写 pdfFile = py.pikepdf.open('protected.pdf', pyargs('password', '你已知的密码')); % 保存为无权限限制的临时文件 pdfFile.save('unlocked_temp.pdf'); pdfFile.close();

之后就能用extractFileText正常读取unlocked_temp.pdf了。

但这里我要特别说清楚：这些操作仅适用于自己拥有合法权限的文档，比如你是文档接收者且文档的控制密码本就应该允许你做文字提取。对没有授权或非法获取的文档做任何解密绕过操作是不允许的，这条红线不能碰。我在公司内部处理PDF时都会先和文档提供方确认文件是否允许文本提取，否则宁可用人工录入，也不去碰权限限制。

至于需要打开密码且你不知道密码的PDF，从技术上讲不是不能暴力尝试，但那个领域我不碰，也不建议任何人把时间花在这上面。

关于这套方法的一点个人体会

用MATLAB做PDF文件操作读取，折腾下来最大的感受是：不要指望一个函数解决所有PDF。PDF格式太开放，生成工具千奇百怪，谁也不敢保证100%提取成功。我现在的标准工作流是：先extractFileText快速试探，有表格再上pdfplumber，文本乱码就换pdftotext兜底，遇上扫描件才启动OCR流程。每处理一类文件都把失败原因记到日志里，积累一段时间后，你对自己经常接触的那批PDF会非常熟悉，哪些能自动跑、哪些必须人工看，心里立刻有数。

如果你手上的PDF类型比较特殊，比如是某个专业软件导出的报告格式，欢迎沿着这套流程自己摸一摸，多半能找到比我这更合适的组合方案。做这类工具脚本，最忌讳的就是拿一套代码跑遍天下，一定要学会给每种PDF分诊、对症下药。