把 CAD 图纸里的门窗表、设备明细、构件数量导出 Excel，难点不在“读文件”，在两处：一是文件里本来就没有你要的那层语义——工程含义不保存在 DWG/DXF 的文件结构里，而在各设计单位的制图约定里；二是很多方案第一步就走错——先转 PDF 或截图再 OCR，把仅存的语义线索一次性烧掉，且不可逆。可行的路线是：保留矢量入口，解析读全四层数据，识别判定构件，组装成业务对象输出，每条数据带来源和置信度。

这篇的框架和细节来自《AI 时代的工程图纸数据处理》这套技术书稿，引书里的判断都会注明。写给两类人：手里有 DWG/DXF 想提取数据的工程师，和要为团队选型图纸数字化方案的 B 端技术负责人。

图纸数据提取到底难在哪：先分清两类问题

书稿给了一个贯穿全局的框架，叫三级转换：图纸变成机器可用的数据，要经过图像级、图形级、语义级三站。图像级把扫描件的像素矩阵还原成线段、圆弧等几何元素；图形级把几何元素组合成门、窗、梁、柱这些构件对象；语义级再往构件上挂编号体系、受力体系、构造做法这些工程含义。

关键在于，三级不是同一类困难。前两级属于信息损耗，理论上可用更好的算法与训练数据去减少；第三级属于知识缺失，必须引入行业知识体系才补得上。结构平面图上的 KL1、L2，模型就算把文字认得一个不差，也不知道它们对应框架梁、非框架梁，更不知道各自对应什么抗震要求——这层对应关系在规范和工程经验里，不在文件里。分不清这两类困难就会走错改进方向：拿语义问题去堆识别算法，或拿算法问题去硬编规则。

直接读 DWG，为什么还是拿不到你要的数据

先说能拿到什么。以 DXF 为例，文件按段组织：HEADER 段记录图形范围、单位与文件版本；TABLES 段保存图层表、线型表、文字样式表、标注样式表与块表；BLOCKS 段保存块定义；ENTITIES 段保存图面实体；OBJECTS 段保存词典与扩展数据。DWG 解析做到位，你能完整拿到每个图元的几何坐标、所在图层、块定义与块引用的对应关系，以及标注和文字的内容。

再说拿不到什么。书稿第一章的核心论断是：工程图纸的语义不在文件里，在约定里。 图纸的大部分约定信息集中在 TABLES 段，而这些约定由制图单位自行维护，缺少统一标准。图层命名、线型含义、块命名、标注习惯，各设计单位各不相同；同一个配电箱，在电气原理图里是带引线的方框，在平面布置图里是实心矩形，在剖面图里是带标注的线段——物理上同一个设备，图面上三种长相。

由此有两个直接推论。

第一，图层不能当可靠的分类依据。图层是图纸里使用频率最高的组织手段、语义推断的首要线索，但有书稿总结的三重制约：命名不规范、图层复用（一个图层承载多种构件）、图层缺省（图元画在默认层上）。所以图层只能作先验。块机制可靠得多：块的命名与属性往往直接对应构件类型与规格，阀门、灯具、门窗这些标准构件以块定义形式存在，设备明细、门窗统计往往就是块属性汇总出来的。书稿给出的判定次序很明确：块引用优先于纯几何形态，凡属性可读的字段优先按属性读取，文字识别结果降为校验项。

第二，提取的数据不能只有几何。书稿把图纸数据划成四层，划分依据是信息的性质与可靠性，而非存储位置：

层次提供什么要注意什么
几何数据点、线、圆弧等图元的坐标与形状唯一不依赖人工约定就能精确读取，但数量大、缺组织
属性数据图层、线型、块与参照等组织信息可靠性取决于制图规范性，同一图层可能混装多种构件
标注数据尺寸、规格、文字注释、表格可能因图面比例和示意画法与几何实际长度不一致，精度上标注优先于几何
业务数据标题栏、明细表、图名图号、设计说明检索、版本管理与审查的主要依据

书稿的结论很硬：完整的业务对象要同时引用四层，任一层缺失，这个对象就不可用。一段墙体需要轴线与厚度的几何、图层归属、厚度与标高的标注，加上所在楼层与图号。解析阶段必须四层全保，只捞几何等于白干。

先转 PDF 或截图再 OCR，错在哪

这是最常见的路线错误，对应书稿第二个核心论点：位图化是不可逆的语义断崖。 图纸导出成 PNG、JPG 之后，图层合并到同一平面，图元降级成像素组合，块引用关系断裂，标注的关联关系与测量值不再可读——四类语义载体在格式转换这一步一次性丢失，无法由像素反推。

注意，损失发生在格式转换环节，不是识别环节。OCR 做得再好，都只是在断崖底下捡碎片。书稿给过一个案例：某项目把结构平面图导出 JPG 后交给模型统计梁数，一根梁被计成了两根，因为梁中部画着一根轴线，模型把它判断成两根并排构件。轴线在 CAD 里只起定位作用、不代表实体，这个区分在像素层面不存在了。书稿的判断是，图纸处理里最常见的误差并非来自识别算法，而是来自位图转换环节。

数据形态的转换还不对等：矢量转位图丢信息且无法恢复，位图恢复成矢量只能得到近似结果。所以 PDF 的定位要摆正——适合归档交付，不适合做数据链路的中间载体。手里只有扫描件时，只能走矢量化补救：去噪、二值化、倾斜校正、线条细化、骨架跟踪、曲线拟合，输出精度受扫描分辨率和原图质量的直接限制。书稿对必须位图化的场合给了三条原则：能拿到矢量文件的环节坚决不位图化；必须位图化就提高分辨率、用无损格式；记录位图与原图的对应关系，给核验留依据。

解析和识别必须分成两条链

“文件里有什么”和“这是什么构件”是两个问题。解析回答前者，把文件里的对象、属性与关系原样读出，结果可完全由文件内容验证——同一文件、同一解析器、同一配置，应当得到同一结果；识别回答后者，把几何和属性映射到业务语义，依赖规则和模型。两者错误的表现也不同：解析错误是缺数据或数据偏差，用计数、图层统计、来源清单就能发现；识别错误是误判，需要业务校验。混在一起，出了问题定位困难，也没法分别评估解析完整性与识别准确率。书稿还有一条更硬的理由：解析结果的完整性决定识别精度的上限——解析阶段丢失的信息，识别阶段无法恢复。

分链之后，解析环节有条容易被忽视的纪律：异常清单原则。图纸里相当一部分对象“存在但不能按预期方式读取”——第三方专业软件的扩展实体、没装字体的文字、路径失效的外部参照。处理原则是把“已正确读取”和“存在但未能解释”显式分开，后者进异常清单。书稿特别点了一句：第三方扩展实体往往正是专业属性最集中的构件信息（结构配筋、机电设备与管线），静默跳过会让结果表面完整、实际缺的恰是专业属性最重的部分——这是最危险的缺失形式，因为没有任何提示。

识别侧的要点可压成三条：确定性优先——凡可由几何约束或规则判定的事项不由模型判定，比如墙体轴线由平行线与厚度就能确定；交叉验证——几何规则、检测模型、邻近文字三来源判同一对象，一致给高置信度，冲突进人工复核；结果可追溯——每个判定记录所依据的图元与规则或模型版本，否则出错无法定位。

从图纸到 Excel：最后一公里做什么

先看表格。图纸里的门窗表、配筋表、设备表有两种形态：绘图软件创建的表格实体，内容与行列结构可按接口直接读取；用直线画框、文字填格的手画表格，没有结构信息，必须经表区定位、结构还原、内容解析三步还原。书稿点了一个常见错误：对两种形态用同一套办法，拿结构还原去处理表格实体——放着现成的行列结构不用，从线条位置重新推断，既增加工作量又降低准确率。

更要紧的是，表格识别的核心价值不在把表格读出来，而在建立表格与图面的对应关系：门窗表对图面门窗编号，设备表对图面设备编号。对应方法里编号匹配最可靠；对不上的输出两份清单——成功项记匹配依据，失败项记单侧存在情况。失败项不是垃圾数据：图面有编号而表格没条目，往往提示图面漏识别或设计不一致，恰是业务上最该看的信息。

导出 Excel 前还有两件事不能省。一是每条数据带来源引用和置信度，低置信度进人工复核队列——没有出处的数据，签字的场合没人敢用。二是想清楚数据用途：如果它要支撑算量，书稿的论断是算量的核心是口径而非精度——梁柱相交处的归属、洞口扣减的面积下限、装饰面层算不算柱侧壁，在不同计量规范、地方定额与企业口径下答案不同，多数对量差异源于口径而非识别误差。把口径差异误判成精度问题，改进方向就错了。落地次序上，书稿建议按构件统计、土建主体量、装饰、机电、钢筋五个阶段推进——构件统计（门窗数量与规格、房间面积）结果可直接用、争议小，适合作为首个交付；钢筋构造规则最多，放在最后。

这条链路的知识散在几十份资料里，没人替你串

回看这条链：DXF 段结构和块机制在 CAD 二次开发的资料里；矢量化和识别方法在计算机视觉的资料里；表格对应关系和计算口径在造价资料里。每一环都有人讲，串起来的完整链路——从一个 DWG 文件到一条带来源、带置信度、口径明确的 Excel 记录——没有现成的地方可查。

《AI 时代的工程图纸数据处理》做的就是这个串联：第 1 章讲为什么，第 2 章讲怎么做，第 3 章讲做什么，共 14 节正文，加术语表、制图规范与图例库、工程对象字典三份附录，八个核心论点贯穿全书。Molio（墨流）把这套书稿整理成了结构化的“工程图纸数字化应用”知识库，工程对象字典、判定规则、附录资产都拆成了可检索、可引用的条目。这套知识库已上线：图纸数据提取：工程图纸数字化与 AI 识别技术全景。给工程对象建统一字典，本质上是一次本体建模，字段与层级怎么定义可以看这篇。

还有一层要说破：软件解决共性，制图约定和口径解决不了共性——你单位的图层习惯、你项目采用的计量口径，只能你的团队自己定义。团队要基于这套知识做内部方案定制，可以从企业定制入口谈。

常见问题

图纸为什么要矢量化？

因为计算和统计需要的是几何元素，不是像素。扫描件和截图是像素矩阵，没有对象、没有边界、没有图层，必须先经二值化、细化、骨架跟踪、曲线拟合把像素还原成线段和圆弧，构件识别才能开始。矢量化只能得到近似结果，精度受扫描分辨率限制，所以它是对只有位图入口时的补救，不是首选路线。

CAD 图纸数据怎么导出 Excel？

分三步。解析：把 DWG/DXF 里的图元、图层、块、标注、表格实体完整读出，读不了的对象进异常清单而不是静默跳过。识别：判定构件类型与属性，块属性优先于几何推断，标注文字做校验。组装：表格实体直接按接口读取，手画表格做结构还原，再与图面编号建立对应，输出带来源引用和置信度的记录。全程不要走截图加 OCR 的路线。

PDF 图纸能提取数据吗？

分两种。矢量 PDF 保留了部分对象信息，但书稿的定位是 PDF 只适合归档交付，不适合做数据中间载体。扫描版 PDF 本质是位图，图层、图元属性、块引用、标注关联四类语义载体已一次性丢失且不可逆，只能走矢量化补救，精度受原件质量限制。有 DWG/DXF 就用 DWG/DXF。

AI 审图能替代人工吗？

不能，书稿把这个边界写得很明确：AI 审图的输出定位是候选问题清单加判定依据，审查结论由审查人签署，系统不承担审查责任；签字责任、规范解释、特殊工况判断必须由人承担。审图里误报和漏报的代价不对称，系统按严重等级分级输出，强条召回优先。它替代的是工作量最大、重复性最高的规范比对和一致性检查，不是审查人本身。

把图纸喂给大模型，让它自己提取数据行不行？

部分行。书稿的边界是：语言模型适合抽取、检索、起草，比如标注解析、表格内容还原、条文检索；但数值判定和工程量计算必须由确定性程序完成，几何判定同理。让模型做算术和汇总，错误不易被发现——在工程语境里，不易发现的错误比明显的错误危险得多。

相关资源：图纸数据提取：工程图纸数字化与 AI 识别技术全景

延伸阅读：