Μετατροπή πινάκων PDF σε Excel

PDF σε Excel τρέχει `pdftotext -layout`, ψάχνει γραμμές με δύο ή περισσότερα συνεχόμενα κενά και γράφει αυτές τις γραμμές σε βιβλίο `.xlsx`. Κάθε ανιχνευμένος πίνακας γίνεται φύλλο με όνομα `Page N` ή `Page N Table M`. Είναι για ηλεκτρονικά PDF όπου οι στήλες ήδη στοιχίζονται στο εξαγόμενο κείμενο.

Ένας πίνακας χρειάζεται τουλάχιστον δύο συνεχόμενες γραμμές που μοιάζουν με πίνακα. Πεζός λόγος, μία μόνο γραμμή επικεφαλίδας ή σάρωση χωρίς επίπεδο κειμένου δίνουν `no_content`: χωρίς βιβλίο. Το κενό αποτέλεσμα είναι σκόπιμο, όχι σιωπηλή αποτυχία.

Το εργαλείο αγνοεί παραμέτρους αιτήματος. Σε αυτή τη σελίδα δεν υπάρχει πεδίο εύρους σελίδων. Οι στήλες κόβονται σε δύο ή περισσότερα συνεχόμενα κενά· μεμονωμένα κενά μέσα στο κελί μένουν στο κελί.

Δεν είναι OCR. Αμιγώς εικονογραφημένες σαρώσεις δεν έχουν περιεχόμενο για `pdftotext`. Το OCR σε αυτόν τον ιστότοπο επιστρέφει Markdown που δεν ξαναστέλνεται σε PDF σε Excel. Όταν οι λέξεις υπάρχουν μόνο ως pixel, εδώ δεν βγαίνει υπολογιστικό φύλλο.

PDF σε CSV χρησιμοποιεί την ίδια ευρετική διάταξης. Ένας πίνακας γίνεται ένα CSV· πολλοί πίνακες γίνονται ZIP με CSV. Το Excel βάζει αυτούς τους πίνακες ως φύλλα στο ίδιο βιβλίο. Κανένα από τα δύο δεν ανασυνθέτει συγχωνευμένα κελιά, χρωματιστές επικεφαλίδες ή κρυφά φύλλα από το PDF.

Ανοίξτε τη λήψη στο Excel ή LibreOffice Calc και ελέγξτε μερικές γραμμές για το κόψιμο στηλών. Σφιχτοί πίνακες χωρίς διπλά κενά συχνά πέφτουν σε μία στήλη. Τα αρχεία με κωδικό ξεκλειδώνονται για εσάς σε αυτή τη σελίδα μόλις εισαγάγετε τον κωδικό· οι χρήστες API εκτελούν πρώτα «Αφαίρεση κωδικού».

Ο κανόνας των δύο κενών είναι όλος ο μηχανισμός ανίχνευσης, οπότε η ποιότητα του βιβλίου εξαρτάται αποκλειστικά από το πώς στοιχειοθετήθηκε το PDF. Πίνακες από γεννήτριες αναφορών που γεμίζουν κάθε κελί σε σταθερό πλάτος εξάγονται καθαρά. Πίνακες με ένα μόνο κενό ανάμεσα στις στήλες ή με αναλογική γραμματοσειρά που φέρνει τις στήλες σχεδόν δίπλα-δίπλα δεν καταγράφονται καθόλου ως πίνακες και μπορεί να μη δώσουν βιβλίο. Πριν κατηγορήσετε το εργαλείο, επιλέξτε μια γραμμή του PDF και επιβεβαιώστε ότι το κείμενο είναι έστω επιλέξιμο.

Η ονομασία των φύλλων ακολουθεί τη θέση, όχι το περιεχόμενο. Κάθε ανιχνευμένο μπλοκ γίνεται `Page N` ή `Page N Table M`, με τη σειρά που σαρώνονται οι σελίδες. Μια αναφορά με έναν πίνακα ανά σελίδα δίνει ένα φύλλο ανά σελίδα· μια σελίδα με τρεις στοιβαγμένους πίνακες δίνει τρία αριθμημένα φύλλα. Δεν υπάρχει επιλογή ονομασίας φύλλων από κελί επικεφαλίδας, ούτε συνδυασμένη έξοδος σε ένα φύλλο.

Οι τιμές γράφονται ως κείμενο, ακριβώς όπως εμφανίστηκαν στην εξαγωγή που διατηρεί τη διάταξη. Οι αριθμοί δεν μετατρέπονται σε αριθμητικά κελιά, οπότε τα μηδενικά στην αρχή επιβιώνουν και τα σύμβολα νομίσματος και τα διαχωριστικά χιλιάδων μένουν στη συμβολοσειρά. Αυτό συνήθως το θέλετε για αριθμούς λογαριασμών και ταχυδρομικούς κώδικες, αλλά είναι λίγο ενοχλητικό για μια στήλη ποσών που σκοπεύετε να αθροίσετε. Είτε μετατρέψτε τους τύπους στο υπολογιστικό φύλλο, είτε αντιγράψτε τη στήλη και χρησιμοποιήστε «κείμενο σε στήλες» ή μετατροπή τιμών στο πρόγραμμα προορισμού.

Οι γραμμές δεν αποδιπλοποιούνται και οι επαναλαμβανόμενες επικεφαλίδες δεν αφαιρούνται. Όταν ένας πίνακας σπάει στο όριο σελίδας, η γραμμή επικεφαλίδας συχνά επαναλαμβάνεται στην επόμενη σελίδα και η συνέχεια γίνεται δικό της φύλλο. Τα συγχωνευμένα κελιά δεν ανακατασκευάζονται· ένα κελί που εκτεινόταν σε δύο στήλες στο PDF έχει απλώς το κείμενό του στην αριστερότερη στήλη και η δεξιά μένει κενή. Τα πολυγραμμικά κελιά γίνονται ξεχωριστές γραμμές αντί για μία τιμή με αναδίπλωση.

Τα ανεβάσματα είναι προσωρινά. Δεν κρατάμε βιβλιοθήκη βιβλίων εργασίας.