PDF-Tabellen in Excel umwandeln

PDF in Excel führt `pdftotext -layout` aus, sucht Zeilen mit zwei oder mehr aufeinanderfolgenden Leerzeichen und schreibt sie in eine `.xlsx`-Arbeitsmappe. Jede erkannte Tabelle wird ein Blatt `Page N` oder `Page N Table M`. Geeignet für digitale PDFs mit schon ausgerichteten Spalten im Extrakt.

Eine Tabelle braucht mindestens zwei aufeinanderfolgende tabellenartige Zeilen. Prosa, alleinstehende Kopfzeilen oder Scans ohne Textschicht ergeben `no_content`: keine Arbeitsmappe. Das leere Ergebnis ist Absicht, kein stiller Fehler.

Dieses Werkzeug ignoriert Anfrageparameter. Auf dieser Seite gibt es kein Seitenbereichsfeld. Spalten werden an zwei oder mehr aufeinanderfolgenden Leerzeichen geschnitten; einzelne Leerzeichen bleiben in der Zelle.

Das ist kein OCR. Reine Bildscans haben nichts, was `pdftotext` lesen könnte. OCR auf dieser Website liefert Markdown, das sich nicht erneut in PDF in Excel einspeisen lässt. Existieren die Wörter nur als Pixel, gibt es hier keine Tabelle.

PDF in CSV nutzt dieselbe Layotheuristik. Eine Tabelle wird eine CSV; mehrere Tabellen werden ein ZIP aus CSVs. Excel legt diese Tabellen als Blätter in einer Arbeitsmappe ab. Keines von beiden rekonstruiert aus der PDF verbundene Zellen, farbige Kopfzeilen oder ausgeblendete Blätter.

Öffnen Sie den Download in Excel oder LibreOffice Calc und prüfen Sie an einigen Zeilen die Spaltentrennung. Enge Tabellen ohne Doppel-Leerzeichen landen oft in einer einzigen Spalte. Passwortgeschützte Dateien werden auf dieser Seite für Sie entsperrt, sobald Sie das Passwort eingeben; API-Aufrufer führen zuerst „Passwort entfernen“ aus.

Die Zwei-Leerzeichen-Regel ist der ganze Erkennungsmechanismus, deshalb hängt die Qualität der Arbeitsmappe allein davon ab, wie die PDF gesetzt wurde. Tabellen aus Report-Generatoren, die jede Zelle auf feste Breite auffüllen, lassen sich sauber extrahieren. Tabellen mit nur einem Leerzeichen zwischen den Spalten oder mit Proportionalschrift, die Spalten fast aneinanderrückt, gelten gar nicht als Tabelle und ergeben unter Umständen keine Arbeitsmappe. Bevor Sie das Werkzeug verantwortlich machen, markieren Sie eine Zeile der PDF und prüfen, ob der Text überhaupt auswählbar ist.

Die Blattnamen folgen der Position, nicht dem Inhalt. Jeder erkannte Block wird `Page N` oder `Page N Table M`, in der Reihenfolge der gescannten Seiten. Ein Bericht mit einer Tabelle pro Seite ergibt ein Blatt pro Seite; eine Seite mit drei übereinanderliegenden Tabellen ergibt drei nummerierte Blätter. Es gibt keine Option, Blätter nach einer Kopfzelle zu benennen, und keine zusammengeführte Ein-Blatt-Ausgabe.

Werte werden als Text geschrieben, genau wie in der layouttreuen Extraktion der PDF. Zahlen werden nicht in numerische Zellen umgewandelt, führende Nullen bleiben erhalten, und Währungssymbole sowie Tausendertrennzeichen bleiben in der Zeichenkette. Für Kontonummern und Postleitzahlen ist das meist gewünscht, für eine Spalte mit Beträgen, die Sie summieren möchten, etwas lästig. Wandeln Sie die Typen in der Tabelle um, oder kopieren Sie die Spalte und nutzen Sie Text-in-Spalten bzw. die Wertumwandlung des Zielprogramms.

Zeilen werden nicht entdoppelt, wiederholte Kopfzeilen nicht entfernt. Bricht eine Tabelle über einen Seitenwechsel, wiederholt sich die Kopfzeile oft auf der nächsten Seite, und die Fortsetzung wird ein eigenes Blatt. Verbundene Zellen werden nicht rekonstruiert; eine Zelle, die in der PDF zwei Spalten überspannte, hat ihren Text nur in der linken Spalte, die rechte bleibt leer. Mehrzeilige Zellen werden eigene Zeilen statt eines umbrochenen Werts.

Uploads sind temporär. Wir führen keine Bibliothek Ihrer Arbeitsmappen.