Converti le tabelle di un PDF in Excel

PDF in Excel esegue `pdftotext -layout`, cerca righe con due o più spazi consecutivi e scrive quelle righe in una cartella di lavoro `.xlsx`. Ogni tabella rilevata diventa un foglio chiamato `Page N` o `Page N Table M`. Va bene per PDF digitali le cui colonne sono già allineate nel testo estratto.

Una tabella richiede almeno due righe consecutive simili a tabella. Prosa, una sola riga di intestazione, o scansioni senza livello di testo danno `no_content`: nessuna cartella di lavoro. Il risultato vuoto è intenzionale, non un fallimento silenzioso.

Questo strumento ignora i parametri della richiesta. Questa pagina non ha un campo intervallo pagine. Le colonne si spezzano su due o più spazi consecutivi; uno spazio singolo resta dentro la cella.

Non è OCR. Una scansione solo-immagine non ha contenuto che `pdftotext` possa leggere. L'OCR di questo sito restituisce Markdown, che non può essere rimandato a PDF in Excel. Se le parole esistono solo come pixel, qui non ottieni un foglio.

PDF in CSV usa la stessa euristica di layout. Una tabella diventa un CSV; più tabelle diventano uno ZIP di CSV. Excel mette quelle tabelle come fogli nella stessa cartella di lavoro. Nessuno dei due ricostruisce celle unite, intestazioni colorate o fogli nascosti dal PDF.

Apri lo scaricamento in Excel o LibreOffice Calc e controlla qualche riga di spezzatura colonne. Tabelle strette senza gap a doppio spazio spesso finiscono in una sola colonna. I file protetti da password vengono sbloccati per te su questa pagina una volta inserita la password; chi usa l'API deve prima passare da Rimuovi password.

La regola dei due spazi è l'intero meccanismo di rilevamento, quindi la qualità della cartella dipende del tutto da come è stato composto il PDF. Le tabelle prodotte da generatori di report che riempiono ogni cella a larghezza fissa si estraggono in modo pulito. Le tabelle con un solo spazio tra le colonne, o con font proporzionali che avvicinano quasi le colonne, non vengono registrate affatto come tabelle e possono non produrre alcuna cartella. Prima di dare la colpa allo strumento, seleziona una riga del PDF e verifica che il testo sia davvero selezionabile.

I nomi dei fogli seguono la posizione, non il contenuto. Ogni blocco rilevato diventa `Page N` o `Page N Table M`, nell'ordine in cui vengono scansionate le pagine. Un report con una tabella per pagina produce un foglio per pagina; una pagina con tre tabelle impilate produce tre fogli numerati. Non c'è opzione per nominare i fogli da una cella di intestazione, né un output combinato in un unico foglio.

I valori sono scritti come testo, esattamente come apparivano nell'estrazione che preserva il layout. I numeri non vengono convertiti in celle numeriche, quindi gli zeri iniziali sopravvivono e i simboli di valuta e i separatori delle migliaia restano nella stringa. Di solito è ciò che vuoi per numeri di conto e codici postali, e un po' fastidioso per una colonna di importi che intendi sommare. Converti i tipi nel foglio di calcolo, oppure copia la colonna e usa testo in colonne o la conversione di valori del programma di destinazione.

Le righe non vengono deduplicate e le intestazioni ripetute non vengono rimosse. Quando una tabella si spezza a un salto di pagina, la riga di intestazione spesso si ripete sulla pagina successiva e la continuazione diventa un foglio a sé. Le celle unite non vengono ricostruite; una cella che nel PDF copriva due colonne ha semplicemente il testo nella colonna più a sinistra, mentre la destra resta vuota. Le celle su più righe diventano righe separate invece di un unico valore mandato a capo.

I caricamenti sono temporanei. Non teniamo una biblioteca di cartelle di lavoro.