Konwersja tabel PDF na Excel

Konwersja PDF na Excel uruchamia `pdftotext -layout`, szuka wierszy z dwoma lub więcej spacjami pod rząd i zapisuje je do skoroszytu `.xlsx`. Każda wykryta tabela staje się arkuszem `Page N` lub `Page N Table M`. Nadaje się do elektronicznych PDF, w których kolumny są już wyrównane w wyciągniętym tekście.

Tabela wymaga co najmniej dwóch kolejnych wierszy tabelarycznych. Proza, samotny wiersz nagłówka albo skan bez warstwy tekstu dają `no_content`: bez skoroszytu. Pusty wynik jest zamierzony, nie cichą awarią.

Narzędzie ignoruje parametry żądania. Na tej stronie nie ma pola zakresu stron. Kolumny tną się na dwóch lub więcej spacjach z rzędu; pojedyncze spacje w komórce zostają w komórce.

To nie OCR. Czysty skan obrazowy nie ma treści dla `pdftotext`. OCR na tej stronie zwraca Markdown i nie da się go tu włożyć. Gdy tekst istnieje tylko w pikselach, arkusza nie będzie.

PDF na CSV używa tej samej heurystyki układu. Jedna tabela → jeden CSV; wiele → ZIP z CSV. Excel kładzie te tabele na arkuszach jednego skoroszytu. Żadne nie odtwarza scalonych komórek, kolorowych nagłówków ani ukrytych arkuszy z PDF.

Otwórz pobranie w Excelu lub LibreOffice Calc i sprawdź kilka wierszy pod kątem cięcia kolumn. Ścisłe tabele bez podwójnych spacji często wpadają do jednej kolumny. Pliki chronione hasłem są odblokowywane za Ciebie na tej stronie, gdy tylko wpiszesz hasło; wywołujący API najpierw uruchamiają Usuń hasło.

Reguła dwóch spacji to cały mechanizm wykrywania, więc jakość skoroszytu zależy wyłącznie od tego, jak złożono PDF. Tabele z generatorów raportów, które dopełniają każdą komórkę do stałej szerokości, wyciągają się czysto. Tabele z pojedynczą spacją między kolumnami albo z czcionką proporcjonalną, która stawia kolumny niemal obok siebie, wcale nie są rozpoznawane jako tabele i mogą nie dać skoroszytu. Zanim obwinisz narzędzie, zaznacz wiersz w PDF i sprawdź, czy tekst w ogóle da się zaznaczyć.

Nazwy arkuszy wynikają z pozycji, nie z treści. Każdy wykryty blok staje się `Page N` lub `Page N Table M`, w kolejności skanowania stron. Raport z jedną tabelą na stronie daje jeden arkusz na stronę; strona z trzema tabelami jedna pod drugą daje trzy numerowane arkusze. Nie ma opcji nazywania arkuszy od komórki nagłówka ani scalonego wyjścia w jednym arkuszu.

Wartości są zapisywane jako tekst, dokładnie tak, jak pojawiły się w wyciągu zachowującym układ. Liczby nie są zamieniane na komórki liczbowe, więc wiodące zera przetrwają, a symbole walut i separatory tysięcy zostają w ciągu. To zwykle pożądane przy numerach kont i kodach pocztowych, a nieco irytujące przy kolumnie kwot, które chcesz sumować. Przekonwertuj typy w arkuszu albo skopiuj kolumnę i użyj tekstu jako kolumn lub konwersji wartości w programie docelowym.

Wiersze nie są deduplikowane, a powtarzające się nagłówki nie są usuwane. Gdy tabela łamie się na granicy strony, wiersz nagłówka często powtarza się na następnej stronie, a kontynuacja staje się osobnym arkuszem. Scalane komórki nie są odtwarzane; komórka, która w PDF zajmowała dwie kolumny, ma po prostu tekst w skrajnej lewej kolumnie, a prawa pozostaje pusta. Komórki wielowierszowe stają się osobnymi wierszami, a nie jedną zawiniętą wartością.

Przesłania są tymczasowe. Nie prowadzimy biblioteki Twoich skoroszytów.