Nenda kwenye maudhui makuu
PPDF123

Toa Majedwali kutoka PDF hadi CSV

PDF kuwa CSV hutafuta safu mlalo za jedwali zilizopangwa sawia kwenye maandishi ya PDF na kuandika kila jedwali lililotambuliwa kama faili ya CSV; majedwali kadhaa hurudi kwenye ZIP. Inahitaji tabaka la maandishi na haitoi kitu kwa aya au skani.

Buruta faili hapa, au bofya uchague

Inakubali PDF · hadi 500.0 MB kwa kila faili · hadi faili 20 kwa mara moja

Unaweza pia kubandika faili kwa Ctrl/Cmd+V au kutoka kwenye menyu ya ubao wa kunakili.

PDF kuwa CSV huendesha `pdftotext -layout`, hutafuta mistari yenye nafasi mbili au zaidi mfululizo, kisha huandika mistari hiyo kama CSV. Kila jedwali linalogunduliwa huwa faili lake lenyewe linaloitwa `{base}_pN_tM.csv`. Inafaa kwa PDF za kielektroniki ambazo safu zake tayari zinaoana katika maandishi yaliyotolewa.

Jedwali linahitaji angalau mistari miwili mfululizo inayofanana na jedwali. Nathari, mstari mmoja wa kichwa, au skani isiyo na tabaka la maandishi hutoa `no_content`: HTTP 204 na hakuna faili. Matokeo tupu ni ya kukusudia, si kushindwa kwa kimya.

Jedwali moja huwa upakuaji mmoja wa `text/csv`. Majedwali kadhaa huwekwa katika ZIP linaloitwa `{base}_extracted.zip`. Uga wa `pageNumbers` kwenye ukurasa huu hupuuzwa; kila ukurasa huchunguzwa.

Hii si OCR. Skani ya picha pekee haina kitu cha `pdftotext` kusoma. OCR kwenye tovuti hii hurudisha Markdown, ambayo haiwezi kutumwa tena hapa. Safu hukatwa kwenye mfululizo wa nafasi mbili au zaidi; nafasi moja ndani ya seli hubaki ndani ya seli. Thamani zina nukuu kwa mujibu wa RFC 4180.

PDF kuwa Excel hutumia mbinu ileile ya mpangilio. Excel huhifadhi jedwali hizo kama karatasi katika kitabu kimoja cha kazi. CSV huandika faili moja kwa kila jedwali. Hakuna kinachojenga upya seli zilizounganishwa, vichwa vyenye rangi, au karatasi zilizofichwa kutoka PDF.

Fungua upakuaji katika lahajedwali na ukague migawanyo ya safu kwenye mistari michache. Majedwali yaliyobana bila pengo la nafasi mbili mara nyingi huangukia safu moja. Faili zinazolindwa kwa nenosiri hufunguliwa kwa ajili yako kwenye ukurasa huu mara tu unapoingiza nenosiri; wapigaji wa API huendesha Ondoa nenosiri kwanza.

Mbinu ya nafasi mbili ndiyo jambo la msingi. Kigeuzi hakiakisi mipaka ya seli kama mtu anavyoona: huchukulia mfululizo wowote wa nafasi mbili au zaidi katika maandishi yenye mpangilio uliohifadhiwa kama mgawanyo wa safu. Hii hufanya kazi vizuri kwa majedwali yanayotengenezwa na vizalishaji vya ripoti vinavyosawazisha seli kwa upana maalum, na hushindwa kwa majedwali yenye nafasi moja kati ya safu au yanayotumia fonti za uwiano zinazoweka safu mbali kwa nafasi moja.

Namba, tarehe na vitambulisho huandikwa kama maandishi, si thamani za lahajedwali zenye aina. Safu ya tarakimu hufika kwenye CSV kama mifuatano iliyo na tarakimu kwa bahati, hivyo sifuri za mwanzo hubaki na tarehe hudumisha muundo uliotumiwa na PDF. Badilisha aina katika lahajedwali baada ya kuingiza ikiwa unahitaji kukokotoa au kupanga kwa tarehe.

Majedwali mapana sana au marefu sana yanaweza kukatika kati ya kurasa za PDF, na kila ukurasa huchunguzwa kivyake. Jedwali linaloendelea kwenye ukurasa wa 2 huwa faili la pili la `{base}_pN_tM.csv`. Unapata vipande vyote, lakini lazima uviunganishe mwenyewe; chombo hakiunganishi jedwali kuvuka mpaka wa ukurasa.

Kitenganishi ni koma kila mara na nukuu hufuata RFC 4180, hivyo seli yenye koma huzungukwa na nukuu. Hakuna chaguo la kutoa nusukoloni au tabo. Ikiwa mazingira ya lahajedwali lako yanatarajia nusukoloni, ingiza kwa kuchagua koma kama kitenganishi kwa uwazi badala ya kubofya faili mara mbili.

CSV inapokuwa tupu, hatua ya kwanza inayofaa ni kukagua kama maandishi ya PDF yanaweza kuchaguliwa kweli. Fungua faili na ujaribu kuangazia mstari mmoja. Ikiwa hakuna kinachoangaziwa, faili ni skani na CSV haitatokea kamwe; OCR hadi Markdown ni chombo kinachoweza kukupa maneno angalau, ingawa si katika safu.

Sifa

  • `pdftotext -layout` pamoja na mbinu ya safu kwa nafasi mbili
  • CSV moja kwa jedwali, au ZIP wakati majedwali ni kadhaa
  • Ugunduzi tupu hurudisha HTTP 204; si OCR
  • Thamani ni maandishi ya RFC 4180; hakuna kubaini aina au kuchagua kitenganishi
  • API isiyo na jina kwenye /api/v1/convert/pdf/csv

Lini utumie

  • Kuvuta jedwali la ankara ya kielektroniki kwenye lahajedwali
  • Kuhifadhi majedwali ya kurasa kadhaa kama faili tofauti za CSV
  • Kulisha hati-andishi inayotarajia CSV majedwali ya PDF yaliyosawazishwa
  • Kutoa orodha ya bei kutoka ripoti ya kifedha ya upana maalum

Ninatoaje jedwali kutoka PDF hadi CSV?

  1. Pakia PDF ambayo maandishi yake yanachaguliwa tayari na safu zake zinaonekana kama jedwali.
  2. Bofya Chakata. Uga wa masafa ya kurasa hausomwi na kigeuzi.
  3. Jedwali moja likipatikana, pakua `.csv`. Kadhaa zikipatikana, pakua ZIP. Zisipopatikana, unapata mafanikio tupu.
  4. Fungua CSV na ukague migawanyo. PDF za nathari pekee hazitoi faili.

Mipaka na hali maalum

  • Inahitaji maandishi yanayochaguliwa na pengo la nafasi mbili kati ya safu
  • Hakuna OCR na hakuna udhibiti wa masafa ya kurasa unaofanya kazi
  • Seli zilizounganishwa na mitindo haijengwi upya
  • Thamani zote ni maandishi yasiyo na aina; hakuna kuchagua kitenganishi
  • Majedwali yanayovuka kurasa hufika kama vipande tofauti
  • Kikomo cha kupakia kwenye tovuti hii: MB 500 kwa kila faili, likitumwa kwa vipande zaidi ya takriban MB 95. Mwili wa ombi moja la moja la API una kikomo cha MB 100.

Mifano

  • PDF ya maandishi yenye orodha ya bei ya safu tatu mara nyingi huwa CSV moja ya safu hizo
  • Taarifa ya benki iliyoskaniwa bila tabaka la maandishi hurudisha HTTP 204
  • Ripoti ya kurasa tano yenye jedwali moja kwa ukurasa hutoa ZIP ya faili tano za CSV

Faragha ya zana hii

Faili hupakiwa kupitia HTTPS, huchakatwa kwenye kumbukumbu au folda ya muda mfupi kwenye seva zetu, na kufutwa matokeo yakiwa tayari. Hatuhifadhi nakala kwa kuvinjari baadaye, mafunzo, au wasifu wa matangazo. Tazama Sera ya Faragha kwa maelezo ya uhifadhi na ufichuzi wa vidakuzi vya AdSense.

Maswali ya kawaida

Kwa nini sikupata CSV?
Hakuna kizuizi cha mistari miwili ya jedwali mfululizo au zaidi kilichopatikana. Skani, nathari na majedwali yasiyo na pengo la nafasi mbili hushindwa mbinu hii. API hujibu 204 `no_content`.
Naweza kwanza OCR kisha kubadilisha kuwa CSV?
Hapana. OCR hurudisha Markdown. Chombo hiki husoma PDF kwa pdftotext pekee.
Kuna tofauti gani na PDF kuwa Excel?
Ugunduzi ni sawa. CSV huandika faili moja kwa kila jedwali (CSV moja, au ZIP wakati ni kadhaa). Excel huweka kila jedwali kwenye karatasi yake katika kitabu kimoja cha kazi.
Je, orodha ya kurasa kwenye fomu hii ina athari?
Hapana. pdftotext hutenganisha kurasa kwa alama za mpaka wa ukurasa na kila ukurasa huchunguzwa. Hakuna kigezo cha masafa ya kurasa.
Kwa nini safu zote ziliangukia seli moja?
PDF iliweka nafasi moja tu kati ya safu, hivyo kanuni ya nafasi mbili haikuzinduka kamwe. Jaribu kuhamisha chanzo tena kwa safu za upana maalum, au tumia OCR hadi Markdown na ugawanye maandishi kwa mkono.
Je, namba huingizwa kama namba?
Hapana. Kila thamani ni maandishi matupu. Sifuri za mwanzo hubaki na tarehe hudumisha muundo wa PDF. Badilisha aina katika lahajedwali baada ya kuingiza ikiwa unahitaji kupanga au kukokotoa.
Nini kinatokea kwa jedwali linaloenea kurasa mbili?
Kila ukurasa huchunguzwa kivyake, hivyo jedwali refu hutoa vipande kadhaa vya CSV. Viunganishe mwenyewe; chombo hakiunganishi majedwali kuvuka mpaka wa ukurasa.

Ilisasishwa mwisho:

Tumia kutoka msimbo

Kila zana hapa ni REST. Matumizi bila kujisajili hayahitaji akaunti wala ufunguo wa API. Inafaa kivinjari, watengenezaji, na mawakala wa AI.

curl -X POST "https://pdf123.xyz/api/v1/convert/pdf/csv" \
  -F "[email protected]" \
  -F "pageNumbers=all" \
  -o output.pdf

Pia inapatikana kama zana ya MCP kwa programu zinazotumia Model Context Protocol (JSON-RPC 2.0, POST /mcp). Maelezo kamili ya API

Itumie kupitia wakala wa AI

Skill

Ukiwa na skill hii, Claude Code, Codex, Cursor na mawakala wengine wa AI wanaweza kukuendeshea "PDF kuwa CSV": /skills/pdf123-pdf-to-csv.md

Skill zote za mawakala

Faili inatumika kazi hii tu, kisha inafutwa yenyewe.