Convertir des tableaux PDF en Excel

PDF vers Excel exécute `pdftotext -layout`, cherche les lignes contenant au moins deux espaces consécutifs, et écrit ces lignes dans un classeur `.xlsx`. Chaque tableau détecté devient une feuille nommée `Page N` ou `Page N Table M`. Convient aux PDF électroniques dont les colonnes sont déjà alignées dans le texte extrait.

Un tableau exige au moins deux lignes consécutives qui ressemblent à un tableau. Prose, en-tête isolé, ou scan sans couche de texte : résultat `no_content` — aucun classeur. Un résultat vide est volontaire, pas un échec silencieux.

Cet outil ignore les paramètres de requête. Cette page n'a pas de champ de plage de pages. Les colonnes se coupent sur deux espaces ou plus ; un espace seul dans une cellule reste dans la cellule.

Ce n'est pas de l'OCR. Un scan purement image n'a rien que `pdftotext` puisse lire. L'OCR de ce site renvoie du Markdown, qui ne peut pas être renvoyé dans PDF vers Excel. Si les mots n'existent que dans les pixels, aucun tableur ici.

PDF vers CSV utilise la même heuristique de mise en page. Un tableau devient un CSV ; plusieurs deviennent un ZIP de CSV. Excel place ces tableaux en feuilles du même classeur. Ni l'un ni l'autre ne restaure cellules fusionnées, en-têtes colorés ou feuilles masquées depuis le PDF.

Ouvrez le téléchargement dans Excel ou LibreOffice Calc et vérifiez quelques lignes de découpage. Les tableaux serrés sans double espace tombent souvent dans une seule colonne. Les fichiers protégés par mot de passe sont déverrouillés pour vous sur cette page une fois le mot de passe saisi ; via l'API, passez d'abord par Retirer le mot de passe.

La règle des deux espaces constitue tout le mécanisme de détection : la qualité du classeur dépend donc entièrement de la façon dont le PDF a été composé. Les tableaux produits par des générateurs de rapports qui remplissent chaque cellule à largeur fixe s'extraient proprement. Les tableaux avec un seul espace entre les colonnes, ou avec des polices proportionnelles qui rapprochent presque les colonnes, ne sont pas reconnus comme des tableaux et peuvent ne produire aucun classeur. Avant d'accuser l'outil, sélectionnez une ligne du PDF et vérifiez que le texte est bien sélectionnable.

Le nom des feuilles suit la position, pas le contenu. Chaque bloc détecté devient `Page N` ou `Page N Table M`, dans l'ordre de balayage des pages. Un rapport avec un tableau par page produit une feuille par page ; une page avec trois tableaux empilés produit trois feuilles numérotées. Aucune option ne permet de nommer les feuilles d'après une cellule d'en-tête, et il n'existe pas de sortie combinée en une seule feuille.

Les valeurs sont écrites en texte, exactement telles qu'elles apparaissaient dans l'extraction qui préserve la mise en page. Les nombres ne sont pas convertis en cellules numériques : les zéros de tête sont conservés et les symboles monétaires ainsi que les séparateurs de milliers restent dans la chaîne. C'est généralement ce que vous voulez pour des numéros de compte et des codes postaux, et un peu pénible pour une colonne de montants que vous comptez additionner. Convertissez les types dans le tableur, ou copiez la colonne et utilisez le fractionnement en colonnes ou la conversion de valeurs du logiciel de destination.

Les lignes ne sont pas dédoublonnées et les en-têtes répétés ne sont pas supprimés. Lorsqu'un tableau se coupe sur un saut de page, la ligne d'en-tête se répète souvent sur la page suivante et la suite devient sa propre feuille. Les cellules fusionnées ne sont pas reconstruites ; une cellule qui couvrait deux colonnes dans le PDF a simplement son texte dans la colonne la plus à gauche, la colonne de droite restant vide. Les cellules multilignes deviennent des lignes distinctes plutôt qu'une valeur renvoyée à la ligne.

L'envoi est temporaire. Nous ne conservons pas votre bibliothèque de classeurs.