你有没有想过：面对一堆合同、发票、论文、报表 PDF，能不能让 AI 把它们「读」成结构化数据，直接进表格或数据库？2026 年，PDF 智能提取已经很成熟：你上传文件，AI 帮你抽字段、填表格、做摘要，告别复制粘贴。本教程手把手教你几种落地方式。
📄 本教程适合：经常被 PDF 折磨的行政、财务、法务、研究员。你只需一个会读文档的 AI（网页版或本地工具）。
先搞懂：PDF 提取的两条路
用一句话理解：一种是「你上传、AI 直接读」，一种是「先抽文字、再让 AI 整理」。前者最省事，后者更可控、可批量。
| 方式 | 怎么做 | 适合 |
|---|---|---|
| 网页 / 对话 AI 直接上传 | 把 PDF 拖进对话框，下指令 | 偶尔处理、单份文件 |
| 知识库 / 文档问答 | 批量建库后随问随答（如 Dify） | 经常查同一批资料 |
| Python 脚本批处理 | 抽文字 + 调大模型整理 | 大量、需进系统 |
敏感文档要小心：合同、病历、财报含隐私，优先用企业版或本地 / 私有模型，别往公开对话框里扔。
Step 1：单份文件，直接「对话式」提取
1 拖进去，下指令
最轻量的方式：把 PDF 上传到支持读文件的 AI，明确要求输出结构：
提示词示例：
「请从这份合同里提取以下字段，用 JSON 返回：
{
"甲方": "",
"乙方": "",
"合同金额": "",
"开始日期": "",
"结束日期": "",
"违约条款摘要": ""
}
只输出 JSON，不要解释。」💡 让它「只输出 JSON」能省去你再清洗格式。拿到后直接粘进表格或数据库。
Step 2：多份同类型，建个「文档问答」
2 一次建库，反复问
如果你经常要查同一批资料（比如 100 份产品手册），用 Dify 这类工具建知识库更高效：
1. 新建知识库，把 PDF 批量拖进去
2. 等「处理中」变「已完成」
3. 在应用里问：「把所有产品的保修期列成表格」
→ AI 会跨文件检索并汇总这就是 RAG（检索增强）：AI 不是凭空编，而是「翻你上传的文件再答」，准确率远高于让它自己猜。
Step 3：要批量进系统？用 Python 自己写
3 抽文字 → 交给大模型整理
当文件成百上千、要自动进数据库时，写个小脚本最稳：
import pdfplumber
# 1) 先把 PDF 抽成纯文本
with pdfplumber.open("合同.pdf") as pdf:
text = "\n".join(page.extract_text() or "" for page in pdf.pages)
# 2) 把 text 交给大模型，要求输出上一步的 JSON
# （用任意兼容接口，附上 text 与字段要求）🚀 `pdfplumber` 能把版面文字抽得很干净；表格密集的 PDF 可改用 `camelot` 专门抽表。
Step 4：核对提取结果，别全信
4 抽样检查，防漏字段
AI 偶尔会漏抽、串行或编造。入库前做三件事：
· 抽 3-5 份人工核对字段是否准确
· 检查有没有「字段串位」（把乙方的名填到甲方）
· 数字、日期务必回原文件确认扫描件（图片 PDF）要先 OCR：纯图片的 PDF 抽不出文字，需先用 OCR 工具转成可搜索文本，再走上面的流程。
Step 5：固化成流水线，定期跑
5 新文件进来自动处理
把提取做成「收到文件 → 自动抽 → 落库 → 通知你」的流水线：
| 触发 | 动作 |
|---|---|
| 邮件 / 网盘收到新 PDF | 脚本抽文字 → 大模型整理 → 写数据库 |
| 定时批量目录 | 每晚扫一遍未处理文件，结果汇总成日报 |
🔑 铁律：自动化只负责「抽和整理」，关键字段留一道人工抽检，避免错数据悄悄进系统。
常见问题速查
| 现象 | 原因 & 解决 |
|---|---|
| 抽出来是乱码 / 空 | 图片型 PDF 未 OCR，先做文字识别 |
| 字段串位 | 让 AI 逐字段输出并回原文核对 |
| 表格对不齐 | 换 camelot 抽表，或贴截图让 AI 识别 |