PDF 文本表格提取

接口标识: pdfextract 价格: 0.5 元/次异步响应

接口介绍
接口文档
在线测试

接口简介

PDF 文本表格提取接口从文本型 PDF 中直接读出文字内容与表格数据：文本可导出纯文本或 Markdown，表格可导出 JSON 或 CSV，支持两者同时提取，并可按页码范围（如 1-20 或 1,3,5-8）只取目标页。提取文本不超过 3000 字符时结果直接带回全文；同时返回页数、文本长度与每张表行列统计。单文件不超过 100MB、500 页，扫描件请改用 OCR 接口。适合合同要素审阅、报表数据汇总与文档库索引建设等场景。【调用约定】本接口为任务类：返回的 task_id 需调用 taskresult 查询终态结果（output_status 为 finish 或 fail）；status 为 not 或 processing 时请每隔5-10秒重复查询直至终态。

详细介绍

![PDF 文本表格提取接口封面](https://fujian.phpwc.com/pyapi/uploads/site/20261111/apiops_pdfextract__1794363380_441095a4c856.png)

合同条款、报表格子埋在 PDF 里，要用只能手抄，又慢又容易错。PDF 文本表格提取接口把文本型 PDF 直接变成可用的文字与结构化表格数据。

## 接口概述
面向需要从文本型 PDF 中取出内容再利用的场景，传入一份 PDF（公网 URL、Base64 或平台文件 ID，不超过 100MB、500 页）并指定提取内容，接口按页码范围输出文字与表格数据。文本可选纯文本或 Markdown，表格可选 JSON 或 CSV，便于直接进程序与表格。本接口为异步任务接口：提交后返回 task_id，凭它调用 taskresult 接口查询结果；文本较短时结果中直接带回全文，无需再下载文件。适合合同要素审阅、报表数据汇总、文档库索引建设等场景；扫描件类 PDF 请改用 OCR 接口。

## 核心能力
1. **文本提取**：逐页导出正文文字，可选纯文本或 Markdown 格式，多页按阅读顺序衔接。
2. **表格识别**：自动识别页面中的表格，导出 JSON 或 CSV，每张表带页码与行列结构。
3. **组合提取**：text、tables 或 both 两者同时提取，按需选择，both 时两份结果文件打包交付。
4. **页码定向**：支持 1-20 或 1,3,5-8 写法只取目标页，默认提取全文档。
5. **短文本直出**：提取文本不超过 3000 字符时直接在结果中返回全文，无需下载文件。

## 产品优势
1. **接入简单**：提交任务与查询结果都走平台统一的任务接口，无需自建解析服务。
2. **结构清晰**：表格带页码、行数、列数明细，省去自己解析表格线的开发工作。
3. **稳定可靠**：非法页码、加密与损坏文件返回明确错误，无可提取内容时也会明确提示。
4. **准确规范**：结果附页数、文本长度与每张表的行列统计，完整性可逐项核验。
5. **降本增效**：合同、报表数据从手工誊抄变为自动导出，直接进入后续分析流程。

## 效果展示
一句话理解：它就像给文档做「拆装订 + 誊写」——把 PDF 里的文字抄得干干净净，表格整整齐齐誊进电子表格。

以一次真实调用为例，你要传的参数：

| 参数 | 本次示例值 | 说明 |
|------|-----------|------|
| file | https://example.com/demo/annual_report.pdf | 文本型 PDF，公网 URL、Base64 或文件 ID，≤100MB、≤500 页 |
| pages | 1-20 | 提取页码范围，支持 1-20 或 1,3,5-8 写法，默认全部 |
| extract | both | 提取内容：text 仅文本 / tables 仅表格 / both 两者，默认 both |
| text_format | markdown | 文本格式：plain 纯文本或 markdown，默认 plain |
| table_format | csv | 表格格式：json 或 csv，默认 json |

你会拿到的结果（凭 task_id 经 taskresult 查询、output_status=finish 时）：

| 返回内容 | 本次示例值 | 对应字段 |
|---------|-----------|---------|
| 各结果文件地址 | `https://fujian.phpwc.com/pyapi/uploads/api/20261112/1_1762915800_d94a11f2e3b4.md,https://fujian.phpwc.com/pyapi/uploads/api/20261112/2_1762915800_e85b22a3f4c5.csv` | `output_content`，多文件逗号分隔；文本不超 3000 字符时此处直接是全文 |
| 打包压缩文件地址 | `https://fujian.phpwc.com/pyapi/uploads/api/20261112/ac3x8q1m5z7p2r9t4w6y.zip` | `output_dourl`，both 时两份结果文件打包下载 |
| 提取统计 | page_count 20、text_length 15234、table_count 6 | `output_info`，含页数、文本长度、表格数与每张表行列明细 |
| 任务状态 | `"finish"` | `output_status`，finish 完成、fail 失败并给出原因 |

API请求示例：

```text
POST /api/pdfextract
file=https://example.com/demo/annual_report.pdf&pages=1-20&extract=both&text_format=markdown&table_format=csv
```

提交后拿到 task_id，轮询 taskresult 接口查询，任务完成后得到如下最终结果：

API响应示例（taskresult 查回的最终异步结果）：

```json
{
  "code": 0,
  "desc": "成功",
  "data": {
    "task_id": "ac3x8q1m5z7p2r9t4w6y",
    "serialnumber": "",
    "jk_mark": "pdfextract",
    "output_status": "finish",
    "output_content": "https://fujian.phpwc.com/pyapi/uploads/api/20261112/1_1762915800_d94a11f2e3b4.md,https://fujian.phpwc.com/pyapi/uploads/api/20261112/2_1762915800_e85b22a3f4c5.csv",
    "output_dourl": "https://fujian.phpwc.com/pyapi/uploads/api/20261112/ac3x8q1m5z7p2r9t4w6y.zip",
    "output_info": {
      "file_name": "1_1762915800_d94a11f2e3b4.md,2_1762915800_e85b22a3f4c5.csv",
      "file_mime": "application/octet-stream",
      "page_count": 20,
      "text_length": 15234,
      "table_count": 6,
      "tables": [
        {"page": 3, "rows": 12, "cols": 5},
        {"page": 7, "rows": 8, "cols": 4}
      ]
    },
    "output_msg": "处理完成",
    "output_time": 9
  },
  "request_id": "pdfextract-demo-001"
}
```

这次调用把年报前 20 页的文本导出为 Markdown、6 张表格导出为 CSV；示例中 tables 明细截取了前两张，实际包含全部表格的行列统计。若提取的文本很短，output_content 会直接是文字内容，连文件都不用下。

## 应用场景
1. **合同审阅**：提取合同正文与金额表格，供要素比对与风险提示使用。
2. **报表汇总**：行业与财报 PDF 中的表格批量转 CSV，直接进 Excel 分析。
3. **文档索引**：全文提取后建可检索文档库，支持关键词快速定位。

## 应用案例
一家银行的信贷审查员要核对借款合同里的数十项关键条款与担保表格，以前逐页翻 PDF 手工比对；接入接口后，审查系统自动提取文本与表格并排展示，单笔业务的审查时间明显缩短。

某市场研究公司的分析师每月收集多份行业报告 PDF，把其中表格誊进 Excel 要两三天；现在报告统一走提取导出 CSV 直接分析，数据汇总当天就能完成。

一家企业的行政负责人要把历年纸质制度文档数字化供全员检索；扫描件经 OCR 后再提取文本入库，员工输入关键词即可定位原文段落。

常见问题

Q：扫描版 PDF 能提取吗？

A：不能。本接口只读取带文字层的文本型 PDF，扫描件请先用 OCR 接口识别；PDF 中没有可提取内容时任务会失败并给出明确提示。

Q：提取结果以什么形式返回？

A：文本与表格各生成一个结果文件；extract=both 时两个文件打包压缩交付。提取文本不超过 3000 字符时，output_content 直接返回全文，无需下载文件。

Q：表格导出成什么格式？

A：json 保留每张表的页码与逐行单元格结构，适合程序直接消费；csv 适合用 Excel 打开人工核对，每张表前带页码标记行。

Q：提交任务后怎么拿结果？

A：提交返回 task_id，凭它调用 taskresult 查询：finish 后 output_dourl 是结果包地址，output_info 里有页数、文本长度、表格数量与每张表的行列统计。

PDF提取文字抽取表格导出数据结构化办公工具

接口地址： https://www.phpwc.cn/api/pdfextract

请求方式： POST

业务请求参数

参数名	类型	必填	默认值	说明
`file`	string	必填	-	文本型 PDF，三形态，≤100MB、≤500 页（扫描件请改用 OCR 接口）。文件输入（自动识别）：公网URL / Base64(data:开头) / 文件ID(fileid_开头)
`pages`	string	选填	-	页码范围，如 1-20 或 1,3,5-8，默认全部
`extract`	string	选填	`both`	提取内容：text / tables / both，默认 both
`text_format`	string	选填	`plain`	文本格式：plain / markdown，默认 plain
`table_format`	string	选填	`json`	表格格式：json / csv，默认 json
`serialnumber`	string	选填	-	开发者自定义查询编号，同接口下不可重复，用于幂等和关联查询

查看签名算法查看调用示例

响应参数

字段名	类型	说明
`code`	int	状态码，0=成功
`desc`	string	状态描述
`data`−	object	业务数据（成功时返回）
`task_id`	string	任务ID，用于通过 taskresult 接口查询任务结果
`serialnumber`	string	调用方传入的 serialnumber，用于通过 taskresult 接口查询任务结果
`task_msg`	string	任务提示信息（含预计耗时），随后经 taskresult 查询结果
`request_id`	string	请求追踪ID

JSON 示例：

调用成功：

{
  "code": 0,
  "desc": "success",
  "data": { ... },
  "request_id": "abc123..."
}

调用失败：

{
  "code": 999,
  "desc": "错误描述",
  "request_id": "abc123..."
}

异步响应字段（调用 taskresult 返回）

本接口为异步任务类：提交后立即返回 task_id，需再调用 taskresult（传 task_id 或 serialnumber）查询结果，返回字段如下。

字段名	类型	说明
`code`	int	状态码，0=成功
`desc`	string	状态描述
`data`−	object	任务结果数据
`task_id`	string	任务ID（与提交响应一致）
`serialnumber`	string	调用方传入的 serialnumber（未传则为空串）
`jk_mark`	string	原调用接口标识
`output_status`	string	任务状态：not=未开始 / processing=处理中 / finish=完成 / fail=失败
`output_content`	string	完成后的文本结果（如翻译全文、问答答案），无则为空串
`output_dourl`	string	完成后的产物下载地址（图片/文档/音视频），无则为空串
`output_info`	object	任务明细数据（随接口不同，见子字段）
`output_msg`	string	任务说明 / 状态提示文案
`output_time`	int	任务耗时（秒）
`request_id`	string	请求追踪ID

taskresult 响应 JSON 示例：

{
  "code": 0,
  "desc": "success",
  "data": {
    "task_id": "任务ID",
    "serialnumber": "调用方传入的流水号",
    "jk_mark": "pdfextract",
    "output_status": "finish",
    "output_content": "文本结果（无则空）",
    "output_dourl": "产物下载地址（无则空）",
    "output_info": { },
    "output_msg": "任务完成提示",
    "output_time": 12
  },
  "request_id": "abc123..."
}

请先登录后使用在线测试