买 PDF 和表格服务的人到底要什么：对 495 条付费需求的实测

大多数工具页是从工具向外设计的：这里有个功能，这里有个可能会用它的人。更有用的方向是反过来，所以我们去把这些需求本身量了一遍。

语料是本项目收集的一批自由职业任务帖。筛出真正是需求、有付费意愿、且描述的东西可以被产品化的条目之后，剩下 495 条与 PDF、扫描件或表格相关的帖子。下面每个数字都是这 495 条上的关键词命中率，词表是明确的，所以可以复算核验，而不必凭信。

数字

• 56% 明确提出准确性或逐字要求——「和原件完全一致」「100% 准确」「必须和源文件相符」。
• 54% 要求保留结构或格式——版式、换行、标题、样式、行顺序。
• 30% 要求把认不出的部分标出来，而不是猜。
• 17% 明确把这件事定位成"手工重打的替代方案"。

把这四行放在一起读，需求的形状就很清楚了。它不是"帮我把表格抽出来"，而是"照这份文档原样复现，保留它的结构，并告诉我哪里你做不到"。

几乎每篇都出现的那条要求

这份语料里最常见的一句话是「准确比速度重要」的各种变体。这个排序对软件来说不寻常，也值得照字面理解——一个又快又错的结果比一个又慢又对的结果更糟，因为买方还得先把错误找出来，才能用上其中任何一部分。

……把每个 PDF 页面的所有文字手工录入 Word 或 Google 文档，确保 100% 准确……把任何认不出的词句或不清楚的段落标出来，方便我快速核对。

注意这条帖子一口气要了两件事：完美的保真度，以及一份"哪里没做到完美保真"的清单。只有当你假设工具必须对自己的不确定性保持沉默时，这两件事才互相矛盾。放在一起，它们恰好描述了一个值得信任的抽取器该有的行为。

为什么"标记认不出的部分"才是关键那条

十个买家里有三个把这条明写出来。正是这条要求把"有用的工具"和"危险的技巧"分开，因为表格里一个自信的错值，比一个明显的空缺难处理得多。

……附一份简短说明，标出任何认不出或不清楚的部分，方便我快速核对。验收标准：所有文字元素都在，且与源文件逐字相符；没有多余字符、空行或格式漂移。

买方已经想明白自己总归要核对点什么。他要的是被告知该查哪几行，而不是把整批重读一遍。这比"100% 准确"是个更小、更便宜、也更诚实的承诺——而且是机器能守得住的那个。

结构指的是结构，不是好看

这些帖子说"保留格式"时，指的是机器可读的结构：哪个单元格属于哪一列、合并单元格保持合并、行顺序不变、一行一条记录。"格式"这个词也涵盖字体和加粗，但同一批帖子里的验收标准，几乎总是关于结构和完整性的。

……一份填好的 Excel 或 Google 表格……每份报告一行……日期、货币和数字格式统一……我会拿随机样本核对最终表格。

一张看起来没问题、但把合并单元格压进了错误列的表，通不过这个抽查。而一张有一行带着未确认值、但那个值被标出来的表，能通过。

这改变了我们做的哪些东西

本站有两个决定，直接来自读这些帖子，而不是来自功能清单。

第一，逐格对原文核对，未确认的单元格逐个报出，整次交付标记为带警告。语料里 30% 的案例要求这个；而说服我们去做的那件事，是一个模型悄悄把「循环贷款」写成了「循环贷款等」。

第二，每张识别出的表单独一个 sheet 并保留行顺序，而不是输出一张压平的表。这些帖子里有 54% 在意结构能不能活下来，而"压平"正是他们抱怨工具时描述的那个具体故障。

这份语料不能告诉你的事

它是一批自由职业任务帖的样本，偏向那些已经决定要花钱请人的买方。它对规模、价格敏感度、以及这些买方是否接受软件，一个字都说不了。关键词方法本身也会多算：一条写着"不要用 OCR 工具"的帖子会被算作提到了 OCR，一条写着"这里没有表格"的帖子会被算作提到了表格。请把这些百分比当作"被要求的是什么"的草图，而不是市场规模。

它能可靠确立的是这些要求的排序。准确性和结构排在最前，标记不确定性排第三，而不属于这三类的功能，在大多数帖子里根本没有出现。