第14课：PDF、Word、Excel、CSV、JSON 为什么不一样？

学习目标

• 理解PDF、DOCX、XLSX、CSV、JSON的差异
• 知道固定版式、结构化数据和程序数据的不同
• 理解为什么AI处理扫描件常需要OCR

正文

PDF

适合固定版式展示，不一定方便提取结构。

DOCX

Word 常用格式，里面包含段落、样式、表格、图片等结构。

XLSX

Excel 工作簿格式，可以有多个工作表、公式、单元格格式。

CSV

本质是文本表格。简单、通用，但不保存复杂格式和多个工作表。

JSON

程序最喜欢的一类结构化文本格式之一。

例如： { "name": "CampusAI", "version": "0.5" }

为什么AI处理文件有时会出错？

因为“看到页面”和“真正理解文档结构”是两件事。 扫描件可能还需要 OCR。 表格、公式、图片、页眉页脚也可能需要专门解析。

1. 本课要建立的整体认识

文件格式决定信息怎样组织。页面看起来相似，不代表程序能够用同一种方式读取、编辑和验证。

2. 把核心概念逐层拆开

2.1 PDF重视固定版式

PDF重视固定版式，可能包含真实文本、扫描图片、字体与坐标信息，提取时容易丢失阅读顺序。

2.2 DOCX包含段落、样式、表格、批注等结构

DOCX包含段落、样式、表格、批注等结构，适合编辑，但复杂排版仍需渲染检查。

2.3 XLSX是工作簿容器

XLSX是工作簿容器，包含工作表、单元格、公式、格式和图表；CSV只是简单文本表格。

2.4 JSON以键和值表达层级结构

JSON以键和值表达层级结构，适合程序交换数据，但不适合直接呈现复杂排版。

2.5 OCR只是把图像中的字识别出来

OCR只是把图像中的字识别出来，仍可能出现错字、漏行、表格错位，需要校对。

3. 把概念串成一条完整流程

处理文件前先识别格式和任务：是阅读、编辑、提取表格、保留版式还是数据交换；随后选择解析方法，检查文字、表格、图片和公式，最后验证输出文件是否可打开且内容完整。

4. 用真实场景理解

把Excel另存为CSV后，多个工作表、公式和颜色不会被完整保留；把扫描PDF直接当文本检索，也可能什么都搜不到。正确的格式意识能避免大量“AI读错文件”的问题。

5. 学习时应该怎样判断自己是否真正理解

不要只看自己是否“听过”这些词。请尝试不用原文，向一位没有技术背景的人解释本课概念；再画出关系或流程；最后换一个与你专业相关的例子。如果无法说明输入、处理、输出、依据和风险，就说明还停留在名词记忆阶段。

遇到模型、工具或规则变化时，优先保留这里学到的判断框架：先定义任务，再确认资料与边界，随后执行、测试和核验。具体品牌和界面会变化，但这种工作方法可以持续使用。

6. 本课小结

本课不是要求一次记住全部细节，而是建立一个能够继续扩展的知识框架。完成正文后，请结合后面的示例、测验和实践任务，把理解转化成自己的语言和可检查的成果。

7. 进一步拆解：从“知道名词”到“会做判断”

学习技术概念时，最容易出现的问题是记住了定义，却不知道什么时候使用，也不知道怎样发现错误。下面逐项使用同一组问题检查理解：

• PDF重视固定版式：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• DOCX包含段落、样式、表格、批注等结构：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• XLSX是工作簿容器：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• JSON以键和值表达层级结构：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• OCR只是把图像中的字识别出来：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。

8. 建立自己的操作检查表

第一张是“任务表”：写清服务对象、目标、已有材料、最终交付物和完成标准。第二张是“数据与来源表”：记录每项材料从哪里来、何时获得、是否允许使用、是否需要更新。第三张是“执行表”：把任务拆成可以观察状态的步骤，标明每一步的输入、处理、输出和失败提示。第四张是“核验表”：列出必须人工检查的事实、数字、引用、权限、安全和专业边界。

这四张表适用于本课所讲的大多数任务。它们能防止把“模型给出了结果”误认为“工作已经完成”，也能帮助团队在出现问题时迅速定位到底是需求不清、资料错误、流程中断，还是输出没有经过验证。

9. 与前后课程的关系

这套20课不是彼此孤立的知识点。本课涉及的概念，需要与Prompt中的任务说明、API与软件系统中的执行链、RAG中的资料依据、数据分析中的质量检查以及AI安全中的责任边界结合起来。学习时可以不断回到一个问题：如果把这个概念放进完整AI产品，它位于哪一层，会影响谁，又需要谁来检查？

10. 课后自查

1. 我能否不用术语堆砌，用自己的话解释本课核心关系？
2. 我能否画出一个包含输入、处理、输出和核验的流程？
3. 我能否举出一个与自己专业、学习或工作有关的实例？
4. 我能否说出至少两个容易犯的错误，以及怎样提前发现？
5. 我能否把本课方法用于一个真实任务，并留下可检查的成果？

示例

常见误区

• “所有PDF都有可复制文字。”——扫描PDF可能只有图像。
• “CSV和XLSX完全一样。”——CSV更简单，不保留复杂工作簿特性。
• “JSON只能给JavaScript用。”——它是广泛使用的数据交换格式。

小测验

点击题目查看答案。

实践任务