Geuza Majedwali ya PDF kuwa Excel

PDF kuwa Excel huendesha `pdftotext -layout`, hutafuta mistari yenye nafasi mbili au zaidi mfululizo, kisha huandika mistari hiyo katika kitabu cha `.xlsx`. Kila jedwali lililogunduliwa huwa karatasi `Page N` au `Page N Table M`. Tumia kwenye PDF za kidijitali ambapo safu tayari zimepangika katika maandishi yaliyotolewa.

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

Kigeuzi hakisomi vigezo vya ombi. Ukurasa huu hauna uga wa masafa ya kurasa. Safu hukatwa kwa mfululizo wa nafasi mbili au zaidi; nafasi moja ndani ya seli inabaki.

Hii si OCR. Skani za picha pekee hazina kitu cha `pdftotext` kusoma. OCR kwenye tovuti hii hurudisha Markdown, ambayo huwezi kuituma tena hapa. Maneno yakiwa tu kwenye pikseli, hapa hautapata jedwali.

PDF kuwa CSV hutumia mbinu ileile ya mpangilio. Jedwali moja huwa CSV moja; kadhaa huwa ZIP ya CSV. Excel huweka jedwali hizo kama karatasi katika kitabu kimoja. Hakuna inayojenga upya seli zilizounganishwa, vichwa vya rangi, wala karatasi zilizofichwa.

Fungua upakuaji katika Excel au LibreOffice Calc na kagua migawanyo katika mistari michache. Jedwali zilizobana bila pengo la nafasi mbili mara nyingi huangukia safu moja. Faili zilizolindwa kwa nenosiri hufunguliwa kwa ajili yako kwenye ukurasa huu ukishaingiza nenosiri; wapigaji wa API waendeshe Ondoa nenosiri kwanza.

Kanuni ya nafasi mbili ndiyo mbinu yote ya kugundua, kwa hiyo ubora wa kitabu hutegemea kabisa jinsi PDF ilivyopangwa. Majedwali yanayotolewa na vifaa vya kuzalisha ripoti vinavyojaza kila seli hadi upana maalum hutolewa safi. Majedwali yenye nafasi moja tu kati ya safu, au yanayotumia fonti sawia inayoweka safu karibu kabisa, hayatambuliki kama jedwali hata kidogo na yanaweza kutoa kitabu chochote. Kabla ya kulaumu kifaa, chagua mstari mmoja kwenye PDF na uthibitishe kwamba maandishi yanaweza kuchaguliwa.

Majina ya karatasi hufuata nafasi, si maudhui. Kila kipande kilichogunduliwa huwa `Page N` au `Page N Table M`, kwa mpangilio wa kurasa zinavyochunguzwa. Ripoti yenye jedwali moja kila ukurasa hutoa karatasi moja kwa kila ukurasa; ukurasa wenye majedwali matatu yaliyorundikana hutoa karatasi tatu zenye namba. Hakuna chaguo la kuipa karatasi jina kutoka seli ya kichwa, na hakuna matokeo yaliyounganishwa katika karatasi moja.

Thamani huandikwa kama maandishi, kama zilivyoonekana katika uchimbaji unaohifadhi mpangilio. Namba hazibadilishwi kuwa seli za nambari, kwa hiyo sufuri za mwanzoni husalia na alama za sarafu na vitenganishi vya maelfu hubaki kwenye mfuatano. Kwa kawaida hii ndiyo unayotaka kwa namba za akaunti na misimbo ya posta, na inasumbua kidogo kwa safu ya kiasi unachokusudia kujumlisha. Badilisha aina kwenye laha ya kazi, au nakili safu na utumie kipengele cha maandishi-hadi-safu au ubadilishaji wa thamani kwenye programu lengwa.

Mistari haiondolewi mara mbili na vichwa vinavyorudiwa haviondolewi. Jedwali linapovunjika kwenye mpaka wa ukurasa, mstari wa kichwa mara nyingi hurudiwa kwenye ukurasa unaofuata na muendelezo huwa karatasi yake yenyewe. Seli zilizounganishwa hazijengwi upya; seli iliyokuwa imeenea safu mbili kwenye PDF huwa na maandishi yake kwenye safu ya kushoto kabisa na safu ya kulia hubaki tupu. Seli za mistari mingi huwa mistari tofauti badala ya thamani moja iliyofungwa.

Upakiaji ni wa muda. Hatuweki maktaba yako ya vitabu.