Extrator de tabelas PDF

Tirar uma tabela de um PDF

Um PDF não contém tabelas. Contém texto colocado em coordenadas e, por vezes, linhas desenhadas à volta desse texto. A tabela é algo que você vê ao olhar para a página. Qualquer ferramenta que diga «ler as tabelas» está a adivinhar; a única pergunta honesta é o quão boa é a adivinha, e aqui isso é dito.

Duas formas de adivinhar

A deteção com linhas usa as molduras que o gerador realmente desenhou. As réguas horizontais e verticais são agrupadas numa grelha e cada palavra cai na célula que lhe corresponde. Quando o documento tem molduras, o resultado é quase exato, e por isso é reportado com confiança alta.

A deteção por espaços serve para a maioria dos documentos reais, que não têm molduras. A página é varrida à procura de intervalos verticais que ficam em branco em muitas linhas seguidas; esses corredores tornam-se os limites das colunas. Funciona bem em demonstrações financeiras, listas de preços e relatórios, e pode enganar-se com um parágrafo em duas colunas.

Deixe o método em Automático e as duas passagens são executadas, mantendo o melhor resultado sem sobreposições.

Afinar o resultado

• As linhas e colunas mínimas filtram o ruído. Uma «tabela» de duas linhas e duas colunas é muitas vezes um título com uma data.
• Páginas aceita all, 1-3 ou 2,5,9. Analisar uma página de um relatório de 400 é muito mais rápido do que analisá-lo todo.
• Cada tabela detetada pode ser removida antes da exportação. A deteção é heurística: se encontrou um parágrafo, retire-o aqui em vez de limpar a folha de cálculo depois.

Exportação

• Um CSV por tabela, ou todos juntos num ZIP.
• Um CSV combinado, com uma linha marcadora entre tabelas para que as fronteiras se mantenham.
• Um XLSX com uma folha por tabela, pronto para Excel, LibreOffice, Numbers ou Google Sheets. As células que são números puros são escritas como números; o que apenas parece número, como um código de fatura com zero à esquerda, permanece texto.

Cada CSV leva marca de ordem de bytes UTF-8, para que os acentos sobrevivam à abertura no Excel do Windows.

Privacidade

O PDF é aberto, analisado e exportado inteiramente no seu navegador. Nada é enviado e nenhum pedido de rede é feito durante o processo.