Κενή εξαγωγή πίνακα (204): το PDF σας μάλλον δεν έχει στήλες
Το PDF σε Excel και το PDF σε CSV επιστρέφουν HTTP 204 όταν δεν ανιχνεύονται τμήματα πίνακα· σκόπιμα, όχι λόγω βλάβης. Περάστε πρώτα τις σαρώσεις από OCR.

Αν το PDF σε Excel ή το PDF σε CSV τελειώσει με HTTP 204 No Content και χωρίς σώμα λήψης, ο εξαγωγέας βρήκε μηδέν τμήματα πίνακα. Αυτή η κατάσταση είναι σκόπιμη: το API αρνείται να επινοήσει κενό υπολογιστικό φύλλο όταν η ευρετική διάταξης δεν βλέπει στήλες.
Τι ψάχνει ο εξαγωγέας
Και τα δύο εργαλεία μοιράζονται τον ίδιο αγωγό. Ο διακομιστής εκτελεί pdftotext -layout, χωρίζει τις σελίδες στα όρια της τροφοδοσίας φόρμας και ομαδοποιεί τις γραμμές που μοιάζουν με στηλοθετημένα τμήματα. Μια γραμμή μετρά ως πινακική όταν περιέχει τουλάχιστον δύο διαδοχικά κενά (τα διάκενα στηλών της λειτουργίας διάταξης). Ένα τμήμα διατηρείται μόνο όταν έχει τουλάχιστον δύο τέτοιες γραμμές· μια μεμονωμένη γραμμή με κενά απορρίπτεται, ώστε οι επικεφαλίδες να μη γίνονται «πίνακες» μίας σειράς.
Το PDF σε CSV (POST /api/v1/convert/pdf/csv) παράγει ένα CSV ανά ανιχνευμένο πίνακα (ονομασμένο με σελίδα και δείκτη πίνακα), ή ZIP όταν υπάρχουν πολλοί. Το PDF σε Excel (POST /api/v1/convert/pdf/xlsx) γράφει ένα βιβλίο εργασίας με ένα φύλλο ανά ανιχνευμένο πίνακα.
Όταν αυτή η λίστα είναι κενή, και τα δύο επιστρέφουν Output::no_content() που αντιστοιχεί σε 204. Ένα 200 με κενό .xlsx θα ήταν πιο εύκολο να παρεξηγηθεί ως επιτυχία· το 204 σημαίνει «τίποτε για εξαγωγή».
Συνήθεις λόγοι για 204
- PDF με μόνο πεζό λόγο: αφηγηματικό κείμενο χωρίς σαφή στοίχιση σε στήλες. Χρησιμοποιήστε αντ' αυτού PDF σε κείμενο ή PDF σε Markdown.
- Σαρωμένες σελίδες χωρίς στρώμα κειμένου: η έξοδος του
pdftotextείναι κενή, οπότε δεν εμφανίζονται πίνακες. Περάστε πρώτα από OCR (κείμενο Markdown σε αυτόν τον ιστότοπο) και ξαναδοκιμάστε μόνο αν οι λέξεις σχηματίζουν όντως στήλες. - Πίνακες ζωγραφισμένοι μόνο με γραμμές ή εικόνες: τα οπτικά πλέγματα χωρίς εξαγώγιμο κείμενο κελιών δεν θα γίνουν φύλλα.
- Ακατάστατες διατάξεις περιοδικών με πολλές στήλες: η ευρετική μπορεί να χάσει τμήματα που ένας άνθρωπος θα έλεγε «πίνακας», ή να συγχωνεύσει κακά τη σειρά ανάγνωσης.
- «Πίνακες» μίας σειράς: μια μεμονωμένη γραμμή με κενά δεν γίνεται ποτέ τμήμα· χρειάζεστε τουλάχιστον δύο πινακικές γραμμές.
Τα κρυπτογραφημένα αρχεία χρειάζονται εξουσιοδοτημένο Ξεκλείδωμα πριν από την εξαγωγή. Επισκευάστε ένα χαλασμένο αρχείο με Επισκευή αν το Get Info ή η εξαγωγή δεν μπορεί να το ανοίξει.
Τι δεν είναι το 204
Το 204 δεν είναι αποτυχία μεταφοράς, δεν είναι χρονικό όριο και δεν σημαίνει «ο διακομιστής ξέχασε το συνημμένο». Αντιμετωπίστε το ως επιτυχημένη απόφαση: κανένα τμήμα πίνακα. Η επανάληψη του ίδιου αρχείου χωρίς αλλαγή στο στρώμα κειμένου ή τη διάταξη θα επιστρέψει πάλι 204. Τα σενάρια πρέπει να διακλαδίζονται με βάση τον κωδικό κατάστασης, όχι με βάση ένα κενό όνομα αρχείου.
Το Markdown από το OCR είναι εξαγωγή κειμένου για πράκτορες, όχι υπολογιστικό φύλλο. Αν επικολλήσετε έξοδο OCR σε αρχείο .md και αργότερα χρειαστείτε στήλες, χρειάζεστε πάλι διάταξη που το pdftotext -layout (ή ένας άνθρωπος) να βλέπει ως διάκενα· η επανεξαγωγή του ίδιου σαρωμένου PDF χωρίς στρώμα κειμένου θα επιστρέφει 204.
Τι να κάνετε μετά
- Ανοίξτε το PDF και επιβεβαιώστε ότι μπορείτε να επιλέξετε κείμενο κελιών. Αν όχι, OCR και μετά αποφασίστε αν το ανακτημένο κείμενο είναι αρκετά στηλοθετημένο για αυτή την ευρετική.
- Προτιμήστε το PDF σε Excel όταν περιμένετε πολλούς πίνακες (ένα φύλλο ο καθένας). Προτιμήστε το PDF σε CSV για ένα μόνο επίπεδο αρχείο ή ZIP με CSV.
- Αν η σελίδα είναι αφηγηματική, αλλάξτε εργαλείο· η εξαγωγή πίνακα θα επιστρέφει 204.
- Για χειρισμό κατάστασης σε πράκτορα ή αγωγό, αντιστοιχίστε το 204 σε «δεν ανιχνεύτηκαν πίνακες», όχι σε γενικό βρόχο επανάληψης.
- Αν χρειάζεστε μόνο τις λέξεις, σταματήστε στο PDF σε κείμενο ή στο PDF σε Markdown· το να επιβάλλετε σχήμα υπολογιστικού φύλλου σε πεζό λόγο θα επιστρέφει 204.
Δεν απαιτείται λογαριασμός για τη διαδρομή στον φυλλομετρητή. Τα ίδια σημεία API μέσω HTTP: Προγραμματιστές. Στείλτε Idempotency-Key στις επαναλήψεις αν ο πελάτης σας μπορεί να κάνει POST δύο φορές (Idempotency-Key).