PDF-tabellen omzetten naar Excel

PDF naar Excel draait `pdftotext -layout`, zoekt regels met twee of meer opeenvolgende spaties, en schrijft die regels naar een `.xlsx`-werkmap. Elke gedetecteerde tabel wordt een werkblad genaamd `Page N` of `Page N Table M`. Geschikt voor digitale PDF’s waarvan de kolommen in de geëxtraheerde tekst al uitgelijnd staan.

Een tabel heeft minstens twee opeenvolgende regels die als tabel ogen. Proza, één enkele kopregel, of scans zonder tekstlaag leveren `no_content`: geen werkmap. Een leeg resultaat is bewust, geen stille fout.

Dit gereedschap negeert verzoekparameters. Er is geen paginabereikveld op deze pagina. Kolommen worden gesneden op twee of meer opeenvolgende spaties; enkele spaties binnen een cel blijven in de cel.

Dit is geen OCR. Pure beeldscans hebben niets dat `pdftotext` kan lezen. OCR op deze site levert Markdown die u niet opnieuw naar PDF naar Excel kunt sturen. Als woorden alleen in pixels bestaan, komt hier geen spreadsheet uit.

PDF naar CSV gebruikt dezelfde lay-outheuristiek. Eén tabel wordt één CSV; meerdere tabellen worden een ZIP met CSV’s. Excel zet die tabellen op aparte werkbladen in één werkmap. Geen van beide herstelt samengevoegde cellen, gekleurde koppen of verborgen bladen uit de PDF.

Open de download in Excel of LibreOffice Calc en controleer enkele rijen op kolomsnede. Strakke tabellen zonder dubbele spaties vallen vaak in één kolom. Wachtwoordbeveiligde bestanden worden op deze pagina voor u ontgrendeld zodra u het wachtwoord invoert; API-gebruikers voeren eerst Wachtwoord verwijderen uit.

De regel van twee spaties is het hele detectiemechanisme, dus de kwaliteit van de werkmap hangt volledig af van hoe de PDF is opgemaakt. Tabellen van rapportgeneratoren die elke cel op een vaste breedte opvullen, worden schoon geëxtraheerd. Tabellen met slechts één spatie tussen kolommen, of met proportionele lettertypen die kolommen bijna tegen elkaar plaatsen, worden helemaal niet als tabel herkend en leveren mogelijk geen werkmap op. Voordat u het gereedschap de schuld geeft, selecteert u een regel in de PDF en controleert u of de tekst überhaupt selecteerbaar is.

Bladnamen volgen de positie, niet de inhoud. Elk gedetecteerd blok wordt `Page N` of `Page N Table M`, in de volgorde waarin pagina’s worden gescand. Een rapport met één tabel per pagina levert één werkblad per pagina op; een pagina met drie gestapelde tabellen levert drie genummerde bladen. Er is geen optie om bladen naar een kopcel te vernoemen, en er is geen samengevoegde uitvoer in één blad.

Waarden worden als tekst weggeschreven, precies zoals ze in de lay-outgetrouwe extractie verschenen. Getallen worden niet naar numerieke cellen omgezet, dus voorloopnullen blijven bewaard en valutasymbolen en duizendtalscheiders blijven in de tekenreeks staan. Dat is meestal wat u wilt voor rekeningnummers en postcodes, en licht vervelend voor een kolom met bedragen die u wilt optellen. Converteer de typen in de spreadsheet, of kopieer de kolom en gebruik tekst naar kolommen of waardeconversie van het doelprogramma.

Rijen worden niet ontdubbeld en herhaalde koppen worden niet verwijderd. Wanneer een tabel over een paginagrens breekt, herhaalt de kopregel zich vaak op de volgende pagina en het vervolg wordt een eigen blad. Samengevoegde cellen worden niet gereconstrueerd; een cel die in de PDF twee kolommen overspande, heeft de tekst alleen in de meest linkse kolom, de rechterkolom blijft leeg. Cellen met meerdere regels worden aparte rijen in plaats van één afgebroken waarde.

Uploads zijn tijdelijk. Wij bewaren geen bibliotheek van uw werkboeken.