Chuyển bảng trong PDF sang Excel

PDF sang Excel chạy `pdftotext -layout`, tìm các dòng có hai khoảng trắng liên tiếp trở lên, rồi ghi những dòng đó vào sổ `.xlsx`. Mỗi bảng phát hiện được thành một sheet tên `Page N` hoặc `Page N Table M`. Phù hợp PDF điện tử mà cột đã căn trong chữ trích ra.

Một bảng cần ít nhất hai dòng liên tiếp trông như bảng. Văn xuôi, một dòng tiêu đề đơn, hoặc bản quét không lớp chữ, cho `no_content`: không có sổ. Kết quả trống là cố ý, không phải lỗi im lặng.

Công cụ bỏ qua tham số yêu cầu. Trang này không có trường phạm vi trang. Cột cắt theo hai khoảng trắng liên tiếp trở lên; khoảng trắng đơn trong ô vẫn nằm trong ô.

Đây không phải OCR. Bản quét thuần ảnh không có nội dung để `pdftotext` đọc. OCR trên trang trả Markdown, không đưa lại vào PDF sang Excel. Khi chữ chỉ nằm trong pixel, ở đây không có bảng tính.

PDF sang CSV dùng cùng heuristic bố cục. Một bảng thành một CSV; nhiều bảng thành ZIP các CSV. Excel đặt các bảng đó thành sheet trong cùng sổ. Cả hai không khôi phục ô gộp, tiêu đề màu hay sheet ẩn từ PDF.

Mở bản tải trong Excel hoặc LibreOffice Calc, kiểm tra vài dòng về cách cắt cột. Bảng chặt không có khoảng đôi thường rơi vào một cột. Tệp có mật khẩu được mở khóa giúp bạn ngay trên trang này khi bạn nhập mật khẩu; người gọi API chạy Gỡ mật khẩu trước.

Quy tắc hai khoảng trắng chính là toàn bộ cơ chế phát hiện, nên chất lượng sổ hoàn toàn phụ thuộc vào cách PDF được dàn trang. Bảng do trình tạo báo cáo đệm mỗi ô đến độ rộng cố định được trích ra sạch sẽ. Bảng chỉ có một khoảng trắng giữa các cột, hoặc dùng phông tỷ lệ đặt các cột gần như sát nhau, hoàn toàn không được nhận là bảng và có thể không cho ra sổ nào. Trước khi đổ lỗi cho công cụ, hãy chọn một dòng trong PDF và xác nhận văn bản thực sự chọn được.

Tên trang tính theo vị trí, không theo nội dung. Mỗi khối phát hiện được trở thành `Page N` hoặc `Page N Table M`, theo thứ tự quét trang. Báo cáo có một bảng mỗi trang cho một trang tính mỗi trang; trang có ba bảng xếp chồng cho ba trang tính có số. Không có tùy chọn đặt tên trang tính theo ô tiêu đề, và không có đầu ra gộp thành một trang tính.

Giá trị được ghi dưới dạng văn bản, đúng như xuất hiện trong phần trích giữ nguyên bố cục. Số không được chuyển thành ô số, nên số 0 đứng đầu được giữ nguyên và ký hiệu tiền tệ cùng dấu phân cách hàng nghìn vẫn nằm trong chuỗi. Điều này thường là điều bạn muốn cho số tài khoản và mã bưu chính, nhưng hơi phiền cho một cột số tiền bạn định cộng. Hãy chuyển kiểu trong trang tính, hoặc sao chép cột rồi dùng tách văn bản thành cột hay chuyển đổi giá trị của chương trình đích.

Các hàng không được khử trùng lặp và tiêu đề lặp lại không bị xóa. Khi bảng đứt ở ranh giới trang, hàng tiêu đề thường lặp lại ở trang sau và phần tiếp theo trở thành trang tính riêng. Ô gộp không được dựng lại; ô trải hai cột trong PDF chỉ đặt văn bản ở cột ngoài cùng bên trái còn cột phải để trống. Ô nhiều dòng trở thành các hàng riêng thay vì một giá trị xuống dòng.

Tải lên là tạm thời. Chúng tôi không lưu thư viện sổ làm việc của bạn.