PDF की सारणियाँ Excel में बदलें

PDF से Excel `pdftotext -layout` चलाता है, लगातार दो या अधिक स्पेस वाली पंक्तियाँ ढूँढता है, और उन्हें `.xlsx` वर्कबुक में लिखता है। हर मिली तालिका `Page N` या `Page N Table M` नाम की शीट बनती है। उन इलेक्ट्रॉनिक PDF के लिए ठीक है जहाँ स्तंभ निकाले पाठ में पहले से संरेखित हों।

एक तालिका के लिए कम से कम लगातार दो पंक्तियाँ तालिका जैसी चाहिए। गद्य, अकेली हेडर पंक्ति, या बिना पाठ परत के स्कैन `no_content` देते हैं: कोई वर्कबुक नहीं। खाली परिणाम जानबूझकर है, चुप विफलता नहीं।

यह उपकरण अनुरोध पैरामीटर नज़रअंदाज़ करता है। इस पृष्ठ पर पृष्ठ-सीमा फ़ील्ड नहीं। स्तंभ लगातार दो या अधिक स्पेस से काटे जाते हैं; सेल के अंदर एक स्पेस सेल में रहता है।

यह OCR नहीं है। शुद्ध छवि स्कैन में `pdftotext` के लिए कुछ नहीं। इस साइट का OCR Markdown लौटाता है; उसे PDF से Excel में नहीं भेज सकते। शब्द केवल पिक्सेल में हों तो यहाँ स्प्रेडशीट नहीं मिलती।

PDF से CSV वही लेआउट अनुमान इस्तेमाल करता है। एक तालिका एक CSV; कई तालिकाएँ CSV का ZIP। Excel उन तालिकाओं को एक ही वर्कबुक की अलग शीटों में रखता है। दोनों PDF से मर्ज सेल, रंगीन हेडर या छिपी शीट नहीं लौटाते।

डाउनलोड Excel या LibreOffice Calc में खोलें, कुछ पंक्तियों पर स्तंभ कटाव जाँचें। बिना दोहरे-स्पेस अंतराल की सघन तालिकाएँ अक्सर एक स्तंभ में गिरती हैं। पासवर्ड-सुरक्षित फ़ाइलें इस पृष्ठ पर पासवर्ड डालते ही आपके लिए खोल दी जाती हैं; API उपयोगकर्ता पहले पासवर्ड हटाएँ चलाएँ।

दो-स्पेस का नियम ही पूरी पहचान प्रक्रिया है, इसलिए वर्कबुक की गुणवत्ता पूरी तरह इस पर निर्भर है कि PDF कैसे टाइपसेट हुई थी। रिपोर्ट जनरेटर से बनी वे तालिकाएँ जो हर सेल को तय चौड़ाई तक भरते हैं, साफ़ निकलती हैं। जिन तालिकाओं में स्तंभों के बीच सिर्फ़ एक स्पेस हो, या जो आनुपातिक फ़ॉन्ट से स्तंभों को लगभग सटा दें, वे तालिका ही नहीं मानी जातीं और शायद कोई वर्कबुक न दें। उपकरण को दोष देने से पहले, PDF में कोई पंक्ति चुनकर जाँचें कि पाठ चुनने योग्य तो है ही।

शीट के नाम स्थिति पर चलते हैं, सामग्री पर नहीं। हर पहचाना गया ब्लॉक पृष्ठों के स्कैन क्रम में `Page N` या `Page N Table M` बनता है। हर पृष्ठ पर एक तालिका वाली रिपोर्ट से प्रति पृष्ठ एक शीट बनती है; तीन तालिकाएँ रखे पृष्ठ से तीन क्रमांकित शीट। हेडर सेल के नाम पर शीट रखने का विकल्प नहीं है, और न ही एक ही शीट में सब जोड़ने वाला आउटपुट।

सभी मान पाठ के रूप में लिखे जाते हैं, ठीक वैसे ही जैसे लेआउट सुरक्षित निष्कर्षण में दिखे। संख्याएँ संख्यात्मक सेल में नहीं बदलीं, इसलिए अग्रणी शून्य बचे रहते हैं और मुद्रा चिह्न व हज़ार विभाजक स्ट्रिंग में ही रहते हैं। खाता संख्याओं और पिन कोड के लिए यही चाहिए होता है, और जोड़ने वाले राशि-स्तंभ के लिए थोड़ा झंझट। या तो स्प्रेडशीट में प्रकार बदलें, या स्तंभ कॉपी करके लक्ष्य सॉफ़्टवेयर की टेक्स्ट-टू-कॉलम या मान रूपांतरण सुविधा इस्तेमाल करें।

पंक्तियों को डुप्लिकेट-मुक्त नहीं किया जाता और दोहराए हेडर नहीं हटाए जाते। तालिका जब पृष्ठ सीमा पर टूटती है, हेडर पंक्ति अक्सर अगले पृष्ठ पर दोहराती है और शेष भाग अपनी अलग शीट बन जाता है। मर्ज किए सेल नहीं बनाए जाते; PDF में दो स्तंभों तक फैला सेल अपना पाठ सिर्फ़ सबसे बाएँ स्तंभ में रखता है और दायाँ स्तंभ खाली रहता है। बहु-पंक्ति सेल एक लिपटे मान के बजाय अलग पंक्तियाँ बनते हैं।

अपलोड अस्थायी हैं। हम आपकी वर्कबुक लाइब्रेरी नहीं रखते।