Extração de tabelas
A extração de tabelas (table extraction) é a tarefa de encontrar tabelas em documentos e reconstruir suas linhas, colunas, cabeçalhos e células como dados estruturados, como HTML, Markdown ou CSV, em vez de linhas soltas de texto.
Também chamado: table structure recognition, table detection
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
Preços, especificações, resultados financeiros e dados de testes costumam ficar em tabelas. Um extrator de texto ingênuo achata uma tabela em uma sequência de números sem ligação com seus cabeçalhos, então um modelo a quem se pergunta "qual foi a receita do Q3?" não consegue saber qual número pertence a qual coluna. A extração de tabelas mantém essa estrutura, o que a torna uma das partes mais difíceis e mais valiosas do parsing de documentos.
Como funciona
A tarefa geralmente é dividida em três. A detecção de tabelas encontra onde elas estão na página, muitas vezes como parte da análise de layout. O reconhecimento de estrutura encontra as linhas, colunas e células mescladas dentro de cada tabela. A análise funcional identifica quais células são cabeçalhos. Os dados de treinamento importam: o PubTables-1M, um dataset de quase um milhão de tabelas de artigos científicos, mostrou que modelos de detecção de objetos baseados em transformer treinados com ele lidam bem com as três tarefas. O texto das células vem da camada de texto do PDF ou do OCR.
Exemplo
Um relatório anual tem uma tabela cujo cabeçalho ocupa duas linhas e cuja primeira coluna agrupa os itens por região. Uma boa extração produz uma tabela HTML com as células mescladas do cabeçalho e os grupos de região intactos, para que cada número possa ser rastreado até sua linha e coluna. Essa saída pode então ser guardada inteira, para que o chunking não divida uma tabela entre chunks.
Limites
Tabelas sem linhas de grade, tabelas que continuam em várias páginas, tabelas aninhadas e gráficos que parecem tabelas continuam sendo casos comuns de falha. Confira os números extraídos com a fonte antes de usá-los em relatórios.
Termos relacionados
- Parsing de documentos
- O parsing de documentos (análise de documentos) converte arquivos como PDFs, digitalizações, apresentações e planilhas em texto estruturado que um software consegue usar, mantendo títulos, ordem de leitura, tabelas e imagens, em vez de um fluxo plano de caracteres.
- Análise de layout
- A análise de layout (layout analysis) é a parte do parsing de documentos que encontra as regiões de uma página, como títulos, parágrafos, tabelas, figuras, legendas e rodapés, rotula cada uma e descobre a ordem em que uma pessoa as leria.
- Reconhecimento óptico de caracteres
- O reconhecimento óptico de caracteres (OCR) é um software que lê texto em imagens, como páginas digitalizadas, fotos ou capturas de tela, e o transforma em caracteres legíveis por máquina que podem ser pesquisados, copiados ou enviados a um modelo.
- Chunking
- Chunking (divisão em trechos) é a etapa que divide documentos longos em passagens menores antes de gerar seus embeddings e indexá-los, para que um sistema de recuperação possa encontrar e devolver apenas as partes de um documento que respondem a uma consulta.
- Structured output
- Structured output (saída estruturada) é um recurso de API que faz a resposta de um modelo de linguagem seguir um formato que você define, geralmente um JSON schema, para que o código possa processá-la com confiabilidade em vez de garimpar texto livre.