我如何在 n8n 中以 PDF 格式提取数据表。表格有很多数据。

[Azizul_Khan]

我如何在 n8n 中以 PDF 格式提取資料表。表格有很多資料。

[sachin_karma]

嘿 Azizul，

我可以幫助你在 n8n 中以高精度從 PDF 檔案提取大型表格，無論 PDF 是數位還是掃描版本，並將資料結構化為 Excel、Google Sheets、Airtable 或你的資料庫。

• 高效解析 PDF 表格
• 在需要時使用 OCR 處理掃描的 PDF
• 清理和結構化提取的資料
• 匯出到你偏好的目標
• 自動化整個工作流程

讓我們安排一次通話來進一步討論細節。

[Loic_Lavanchy]

嘿 Azizul，當然可以！這主要取決於你的 PDF 看起來如何，所以先問幾個問題：

• 所有文件的表格結構都相同，還是每份 PDF 都不同？
• 這些 PDF 是數位生成的還是掃描的？
• 大約有多少份文件或多少行數據，你所說的「很多數據」具體是什麼意思？
• 這些數據有多敏感？

根據答案的不同，有不同的方法。一個經典的方法是：

1. OCR，讀取數據
2. 處理數據（可以用腳本完成）
3. 保存數據

我們也可以討論一下：預約

[AnthonyAtXRay]

n8n 有一個內建的「從 PDF 提取」功能，但它只提取純文字，不包括表格結構。這意味著對於任何有實際欄位和列的內容，它都會出現問題。根據您的 PDF 類型，以下是幾種方法：

對於具有可選文字的普通 PDF，您可以將其通過使用 pdf-parse 或 pdf-table-extractor 等程式庫的代碼節點進行處理。您可以通過 HTTP 要求節點呼叫專門的表格提取 API，然後解析傳回的 JSON/CSV。

如果是掃描的影像型 PDF：您首先需要進行 OCR，例如 AWS Textract、Google Document AI 或 Azure Form Recognizer 都具有不錯的表格偵測模式，您可以直接從 HTTP 要求節點呼叫。Textract 的「分析文件」搭配 TABLES 功能類型可能是最可靠的。

[Azizul_Khan]

感謝Loic Lavachy的電郵。實際上我提取了pdf檔案，但當我將數據發送到工作表時，只有一行。我不知道為什麼沒有從pdf表格中保存所有數據。好的，我給出答案：1. 數據表結構將保持相同。2. 所有PDF都是數字化創建的。3. 請檢查附加的樣本文件。文件將保持相同。但不是一次很多數據。4. 如果Pdf檔案是孟加拉語，那麼應該怎麼辦？我附上了另一個challan樣本文件以便更好地理解。

(attachments)

Data.pdf (17.9 KB)
challan.pdf (60.2 KB)

[Azizul_Khan]

感謝 Sachin Karma 的郵件。我很高興得知你能幫助我。實際上，我可以使用 mistral 從 pdf 數據表文件中提取數據。但當它將數據保存到工作表時，我只看到添加了一行，而不是全部。我不知道為什麼。我給你發送了一個示例數據表 pdf 文件。請查看附件。
我的另一個問題是我還有一個孟加拉語的 pdf 文件。我也附加了那個。如果是孟加拉語文件，我應該怎麼做？
Azizul

[nguyenthieutoan]

歡迎 @Azizul_Khan！

單列問題幾乎總是因為 Mistral 將整個表格作為單個 JSON 陣列返回到單個項目中，所以 Sheets 只能看到項目 1。在 Mistral 節點之後立即添加「分割輸出」節點（或帶有 return items 的程式碼節點），將該陣列欄位分割成單獨的項目（每個表格列一個），然後再發送到 Google Sheets。首先直接檢查 Mistral 節點的 JSON 輸出，確認列是否嵌套在「rows」或「table」之類的單個欄位下。對於孟加拉語 PDF，Mistral OCR 確實支援非拉丁文字，但要仔細檢查提取的文字編碼，如果文字返回時出現亂碼，請嘗試在請求中明確設定語言提示（如果該模型支援的話），否則將孟加拉語文件改用 Google Document AI 處理，因為它的表格和語言檢測對非拉丁文字的可靠性更高。

[Azizul_Khan]

感謝 Jay Nguyen 先生的電郵。很抱歉我沒有理解您寶貴的建議。實際上我是 n8n 和 json 的新手。如果我能看到任何視頻的話就能理解。但如果可能的話，您能否提供一個詳細的示例，說明我如何能將所有原始數據導入到表格中，這樣我就能嘗試。我附上了示例檔案，請幫我查一下。
阿齊祖爾。

[Loic_Lavanchy]

嘿 Azizul，

我再看了一遍 PDF，並在附件中上傳了一個示例工作流程（JSON），展示了一種可能的方法。

要讓它在你的系統上運作，你需要：

• 自己建立認證資訊（Google Drive 和 LLM，目前是 Mistral）
• 指定存放 PDF 的資料夾路徑

你當然可以更改輸入方式，例如改用表單上傳而不是 Google Drive。LLM 也可以換成其他模型。前提是 PDF 必須是數位生成的，對於掃描文件，需要先進行 OCR 處理。

關於孟加拉語的例子：該腳本目前只是按行分割文字並將其儲存為 JSON，這還不是像英文分支那樣的結構化提取。根據該表格的具體結構方式，還需要進一步擴展。

一般來說，關於 PDF 和資料保護：整個過程也可以直接通過 LLM 運行，但這裡涉及敏感資料（電郵和地址）。如果沒有與歐盟供應商簽訂數據處理協議且缺乏適當的法律依據，我建議不要未經檢查就將這些資料輸入 LLM。由於姓名和父名無法乾淨地自動分離，我只將這兩個欄位傳遞給 LLM，這在法律上仍然是一個灰色地帶，應該在具體情況下進行審查。

為了最後的完善，我建議使用 Claude Code 或其他 LLM 直接在工作流程上繼續工作。如有需要，也歡迎直接聯絡我。

pdf-tin-table-extraction.json（17.3 KB）

[flowforgeai1]

如果 Mistral 已經在提取 PDF，但 Google Sheets 只獲得一行，通常的問題是提取結果仍然是一個包含表格/陣列的 n8n 項目。Google Sheets 會每個輸入項目附加一行，所以你需要在 Mistral 和 Sheets 之間放置一個 Code 節點，將提取的表格轉換為多個項目。

對於具有相同結構的數位建立的 PDF，我會使用這個流程：

1. Form Trigger / Gmail / 手動上傳 — 接收 PDF 二進位檔案。
2. Mistral OCR / 文件提取 — 返回 Markdown 或文本。
3. Code 節點 — 解析 Markdown 表格並為每個 PDF 行返回一個項目。
4. Google Sheets → 附加行 — 從每個項目對應欄位。

如果 Mistral 返回一個 Markdown 表格，例如 | name | amount | date |，請嘗試在 OCR 節點後使用這個 Code 節點：

const markdown = $json.markdown || $json.text || $json.output || '';

const tableLines = markdown
  .split('\n')
  .map((line) => line.trim())
  .filter((line) => line.startsWith('|') && line.endsWith('|'));

if (tableLines.length < 2) {
  throw new Error('No Markdown table found in OCR output');
}

const splitRow = (line) =>
  line
    .split('|')
    .slice(1, -1)
    .map((cell) => cell.trim());

const headers = splitRow(tableLines[0]);
const dataRows = tableLines
  .slice(1)
  .filter((line) => !/^\|?\s*:?-{3,}/.test(line.replace(/\|/g, '').trim()));

return dataRows.map((line) => {
  const cells = splitRow(line);
  const row = {};

  headers.forEach((header, index) => {
    row[header || `column_${index + 1}`] = cells[index] || '';
  });

  return { json: row };
});

然後在 Google Sheets 中，使用來自傳入項目的欄位進行附加。不要將整個 OCR 結果放入一個儲存格中，也不要將所有行包裝在單個 rows 陣列內，除非你在傳送到 Sheets 之前再次將其拆分。

對於孟加拉語 PDF：如果 PDF 是數位產生/可選擇的文本，孟加拉語應該通過 Unicode 傳遞並正確儲存到 Google Sheets。如果是掃描/影像型 PDF，請使用支援孟加拉語或語言提示的 OCR 提供商，然後在 Sheets 之前執行同樣的「一個提取的行 = 一個 n8n 項目」步驟。

透明說明：我使用 FlowForge AI 建立了這個行分割藍圖，並針對你「Mistral 提取但 Sheets 只獲得一行」的問題進行了改編。

[Azizul_Khan]

感謝您的電郵。是的，Mistral 會傳回 Markdown 表格，例如 | name | amount | date |。我應該將這段程式碼貼到 n8n 中的提取資訊節點嗎？還是我應該在其他地方貼上這段程式碼？

[sachin_karma]

嗨 Azizul，

感謝你提供的樣本；它們讓問題變得清楚了。

兩個解答：

1. 只保存一行

這不是 Mistral 的問題——你的提取實際上正常運作；Mistral 正在讀取完整的表格。問題出在寫入 Google Sheets 的步驟。現在所有行都作為一個項目一起到達，所以「新增行」步驟只運行一次並寫入單一行。

修正：在 Google Sheets 步驟之前，添加一個步驟來將行拆分成單獨的項目——

• Make.com：添加一個指向行陣列的「Iterator」，然後在它後面保留「新增行」。這樣它就會每行運行一次。
• n8n：在行欄位上添加一個「Split Out」節點，然後在它後面添加「追加行」。

還要確保 Mistral 將表格返回為 JSON 列表（每行一個物件），而不是一個文本塊——否則沒有什麼可拆分的。

2. 孟加拉語 PDF

你的孟加拉語 challan 是數字創建的，但其文本層已損壞——如果你直接提取文本，你會得到錯誤的／亂碼字母。所以對孟加拉語文件不要先提取文本。將 PDF 頁面本身發送給 Mistral OCR（作為圖像／文件）。Mistral OCR 讀取圖片並很好地支持孟加拉語，所以你會得到正確的孟加拉文本。

一個說明：challan 是不同的佈局——一份有標題和總計的報告，不像數據文件那樣是平坦的表格，所以它需要與你的英文文件不同的列映射。