Извлечение таблиц из PDF

Как достать таблицу из PDF

В PDF нет таблиц. В нём есть текст, расставленный по координатам, и иногда линии, нарисованные вокруг этого текста. Таблицу видите вы, когда смотрите на страницу. Любой инструмент, который обещает «прочитать таблицы», на самом деле догадывается; честный вопрос — насколько хороша догадка, и здесь ответ показан прямо.

Два способа догадаться

Распознавание по линиям опирается на рамки, которые действительно нарисовал создатель документа. Горизонтальные и вертикальные линии собираются в сетку, и каждое слово попадает в свою ячейку. Когда рамки есть, результат почти точен — поэтому уверенность высокая.

Распознавание по пробелам рассчитано на большинство реальных документов, где рамок нет вовсе. Страница просматривается в поисках вертикальных промежутков, остающихся пустыми на многих подряд идущих строках; эти коридоры становятся границами столбцов. Способ хорошо работает на финансовой отчётности, прайс-листах и отчётах и может ошибиться на тексте в две колонки.

Оставьте режим Автоматически — выполняются оба прохода, а сохраняется более уверенный непересекающийся результат.

Настройка результата

• Минимум строк и столбцов отсекает шум. «Таблица» из двух строк и двух столбцов чаще всего оказывается заголовком с датой.
• Поле Страницы принимает all, 1-3 или 2,5,9. Разобрать одну страницу из отчёта на 400 страниц намного быстрее, чем весь отчёт.
• Любую найденную таблицу можно удалить до выгрузки. Распознавание эвристическое: если оно приняло абзац за таблицу, уберите его здесь, а не чистите потом электронную таблицу.

Выгрузка

• Отдельный CSV на каждую таблицу или все сразу в ZIP.
• Объединённый CSV со строкой-разделителем между таблицами, чтобы границы не потерялись.
• XLSX с отдельным листом на каждую таблицу — открывается в Excel, LibreOffice, Numbers и Google Таблицах. Ячейки, содержащие настоящие числа, записываются числами; то, что лишь похоже на число, например код счёта с ведущим нулём, остаётся текстом.

В каждом CSV есть метка порядка байтов UTF-8, поэтому кириллица не превращается в кракозябры при открытии в Excel для Windows.

Конфиденциальность

PDF открывается, разбирается и выгружается целиком в вашем браузере. Ничего не загружается на сервер, и во время работы не выполняется ни одного сетевого запроса.