Преобразование таблиц PDF в Excel

PDF в Excel запускает `pdftotext -layout`, ищет строки с двумя и более пробелами подряд и пишет эти ряды в книгу `.xlsx`. Каждая найденная таблица становится листом `Page N` или `Page N Table M`. Подходит для цифровых PDF, где колонки уже выровнены в извлечённом тексте.

Таблице нужны хотя бы две табличные строки подряд. Проза, одна строка заголовка или скан без текстового слоя дают `no_content`: книги нет. Пустой результат намеренный, не тихий сбой.

Параметры запроса игнорируются. Поля диапазона страниц на этой странице нет. Колонки режутся по сериям из двух и более пробелов; один пробел внутри ячейки остаётся в ячейке.

Это не OCR. У чисто графического скана `pdftotext` нечего читать. OCR на этом сайте возвращает Markdown и не может быть снова отправлен в PDF в Excel. Если знаки есть только в пикселях, таблицы здесь не будет.

PDF в CSV использует ту же эвристику вёрстки. Одна таблица становится одним CSV; несколько — ZIP из CSV. Excel держит эти таблицы листами одной книги. Ни то ни другое не восстанавливает из PDF объединённые ячейки, цветные шапки или скрытые листы.

Откройте скачивание в Excel или LibreOffice Calc и проверьте разрезы колонок на нескольких строках. Плотные таблицы без зазора в два пробела часто падают в одну колонку. Файлы, защищённые паролем, снимаются с защиты прямо на этой странице, как только вы введёте пароль; при работе через API сначала запустите «Снять пароль».

Правило двух пробелов — это весь механизм обнаружения, поэтому качество книги целиком зависит от того, как свёрстан PDF. Таблицы из генераторов отчётов, дополняющих каждую ячейку до фиксированной ширины, извлекаются чисто. Таблицы с одним пробелом между колонками или с пропорциональным шрифтом, при котором колонки стоят почти вплотную, вообще не распознаются как таблицы и могут не дать книги. Прежде чем винить инструмент, выделите строку в PDF и убедитесь, что текст вообще выделяется.

Имена листов следуют позиции, а не содержанию. Каждый найденный блок становится `Page N` или `Page N Table M` в порядке сканирования страниц. Отчёт с одной таблицей на странице даёт по листу на страницу; страница с тремя таблицами подряд даёт три нумерованных листа. Нет ни опции называть листы по ячейке заголовка, ни объединённого вывода на одном листе.

Значения записываются как текст, в точности как они выглядели в извлечении с сохранением вёрстки. Числа не преобразуются в числовые ячейки, поэтому ведущие нули сохраняются, а символы валют и разделители тысяч остаются в строке. Для номеров счетов и почтовых индексов это обычно то, что нужно, а для колонки сумм, которые вы собираетесь складывать, слегка мешает. Либо преобразуйте типы в таблице, либо скопируйте колонку и используйте «текст по столбцам» или преобразование значений в целевой программе.

Строки не дедуплицируются, а повторяющиеся заголовки не удаляются. Когда таблица разрывается на границе страницы, строка заголовка часто повторяется на следующей странице, и продолжение становится отдельным листом. Объединённые ячейки не восстанавливаются; ячейка, занимавшая в PDF две колонки, просто содержит текст в самой левой колонке, а правая остаётся пустой. Многострочные ячейки становятся отдельными строками, а не одним перенесённым значением.

Загрузки временные. Библиотеку ваших книг мы не храним.