Convertir tablas de PDF a Excel

PDF a Excel ejecuta `pdftotext -layout`, busca líneas con dos o más espacios seguidos y escribe esas filas en un libro `.xlsx`. Cada tabla detectada es una hoja llamada `Page N` o `Page N Table M`. Encaja en PDF electrónicos cuyas columnas ya están alineadas en el texto extraído.

Hace falta al menos dos filas consecutivas con aspecto de tabla. Prosa, una sola fila de cabecera o un escaneo sin capa de texto dan `no_content`: no hay libro. El resultado vacío es intencional, no un fallo silencioso.

Esta herramienta ignora los parámetros de la petición. Esta página no tiene campo de rango de páginas. Las columnas se parten por dos o más espacios seguidos; un solo espacio dentro de la celda se queda en la celda.

No es OCR. Un escaneo solo imagen no tiene nada que `pdftotext` pueda leer. El OCR de este sitio devuelve Markdown y no se puede reenviar a PDF a Excel. Si las palabras solo existen en píxeles, aquí no hay hoja de cálculo.

PDF a CSV usa la misma heurística de maquetado. Una tabla se convierte en un CSV; varias tablas, en un ZIP de CSV. Excel coloca esas tablas en hojas del mismo libro. Ninguno de los dos restaura celdas combinadas, cabeceras de color u hojas ocultas del PDF.

Abre la descarga en Excel o LibreOffice Calc y comprueba el corte de columnas en unas cuantas filas. Las tablas apretadas sin huecos de doble espacio suelen caer en una sola columna. Los archivos protegidos con contraseña se descifran por ti en esta página cuando introduces la contraseña; quien use la API debe pasar antes por Quitar contraseña.

La regla de los dos espacios es todo el mecanismo de detección, así que la calidad del libro depende por completo de cómo se maquetó el PDF. Las tablas de generadores de informes que rellenan cada celda a un ancho fijo se extraen limpiamente. Las tablas con un solo espacio entre columnas, o con fuentes proporcionales que dejan las columnas casi pegadas, no se registran como tablas y pueden no producir ningún libro. Antes de culpar a la herramienta, selecciona una fila del PDF y confirma que el texto es seleccionable.

El nombre de las hojas sigue la posición, no el contenido. Cada bloque detectado se convierte en `Page N` o `Page N Table M`, en el orden en que se escanean las páginas. Un informe con una tabla en cada página produce una hoja por página; una página con tres tablas apiladas produce tres hojas numeradas. No hay opción de nombrar las hojas según una celda de cabecera, ni una salida combinada en una sola hoja.

Los valores se escriben como texto, exactamente como aparecieron en la extracción que conserva la maquetación. Los números no se convierten en celdas numéricas, así que los ceros iniciales se conservan y los símbolos de moneda y los separadores de millares permanecen en la cadena. Suele ser lo que quieres para números de cuenta y códigos postales, y algo molesto para una columna de importes que piensas sumar. Convierte los tipos en la hoja de cálculo, o copia la columna y usa texto en columnas o la conversión de valores del programa de destino.

Las filas no se deduplican y las cabeceras repetidas no se eliminan. Cuando una tabla se parte en un salto de página, la fila de cabecera suele repetirse en la página siguiente y la continuación se convierte en su propia hoja. Las celdas combinadas no se reconstruyen; una celda que abarcaba dos columnas en el PDF simplemente tiene su texto en la columna más a la izquierda y la derecha queda vacía. Las celdas de varias líneas se convierten en filas separadas en lugar de un valor ajustado.

Las subidas son temporales. No guardamos tu biblioteca de libros.