PDF Excelbe
online

Amikor a táblázat egy PDF-ben ül, és újra táblázattá kell válnia

Az alkalmak rendszerint valaki más formátumválasztásának nyomában érkeznek. A bank PDF-ben küldi a kivonatot, és te táblázatkezelőbe akarod tölteni a tranzakciókat, hogy összegezz egy kategóriát. A beszállító árlistája PDF-ben jött, és össze akarod hasonlítani a múlt negyedévivel. Egy hatóság csak PDF-ben teszi közzé az adattáblákat, és cellákként van rájuk szükséged a rendezéshez és szűréshez. Egy lekapart jelentés PDF-ben van, és minden sort sorként akarsz látni. Mindegyik esetben a számok megvannak; egyszerűen nem viselkednek számként, mert egy elrendezésbe vannak zárva.

A feladat itt: visszanyerni a sorokat és oszlopokat — vidd be a PDF-et, kapj egy .xlsx-et, amelyben minden oldal saját munkalap, minden sor sor és minden oszlop oszlop. Innentől rendezhetsz, szűrhetsz, összegezhetsz, kimutatást készíthetsz — amire a táblázatkezelő való.

Miért tipp ez — és elég jó tipp

A PDF nem tárol táblázatokat. Belül egy oldal lapos szövegtöredékek folyama, x/y pozícióval a vásznon. Sehol sem írja, hogy „ez egy sor" vagy „itt kezdődik egy oszlop" — ezek a struktúrák csak a szemedben léteznek olvasás közben. Visszanyerni őket azt jelenti, hogy a rácsot abból vezeted le, hol ül ténylegesen a szöveg.

Az eszköz ezt több lépésben végzi. Először y szerint sorokba csoportosítja a szövegtöredékeket: ha két töredék függőlegesen körülbelül fél sormagasságon belül van, ugyanahhoz a sorhoz tartozik. Aztán a soron belül: a vízszintesen közel eső töredékek egyetlen cellává olvadnak (szokásos betűközök), a szélesebb hézagok pedig cellahatárokká (oszlopközökké) válnak. Végül megnézi, hol kezdődnek a cellák az egész oldalon, megtalálja a domináns x-pozíciókat, és oszlopközpontként kezeli őket — minden cella a legközelebbihez kerül. Ebből áll össze a táblázatkezelő által kért téglalap alakú rács.

Mit talál el az algoritmus

• Klasszikus pénzügyi táblák — bankkivonatok, számlák, árlisták, költségelszámolások. Egy sor egy tételre, tiszta oszlopközök, jobbra igazított számok: pontosan az az eset, amelyre a heurisztika hangolva van, és általában rendben átfut.
• Egysoros bejegyzések. Amikor minden bejegyzés elfér egy sorban, a sorfelismerés megbízható.
• Teljes oldalszélességű táblák. Az oszlopfelismerés akkor működik a legjobban, ha az oszlopok jól elkülönülnek és állandóak az oldalon.
• Jobbra és balra igazítás. Az eszköz mindkettővel dolgozik — a felismerhető oszlopköz a fontos.

Hol nehezebben boldogul

• Sortöréses cellák. Egy cella, amelynek értéke átmegy a második sorba — hosszú termékleírás, többsoros cím — általában két sorra szakad. Apró kézi javítással a táblázatban orvosolható (vagy inkább pdf-to-txt, és a tábla kézi újraépítése, ha a javítás nem éri meg).
• Egyesített cellák. Egy fejléc, amely vizuálisan két oszlopot fed le, csak egyben jelenik meg — a hozzá legközelebbiben. Az egyesülést úgy látod, hogy A-ban érték, B-ben üres.
• Két tábla egymás mellett. Az oszlopkereső egyszerre látja mindkettőt, és egyetlen széles táblává laposíthatja. Segít, ha a PDF-et előbb félbeszeleted.
• Folyó szöveg ugyanazon az oldalon a táblával. A tábla feletti bekezdés saját „sorokat" tesz hozzá — néhány sor, amely valójában nem sor, könnyen törölhető.
• Több oldalas táblák. Minden oldal külön munkalap lesz. Egyetlen folyamatos táblává összevarrásukhoz a kinyerés után másold-illeszd az adatszakaszokat.
• Beolvasott PDF-ek. Ugyanaz a fenntartás, mint bármely szövegkinyerésnél: ha az oldal kép (beolvasott kivonat, lefotózott bizonylat), nincs mit olvasni. Először OCR másik eszközben.

Mit kapsz a végén

Egy .xlsx fájlt. Minden PDF-oldal saját munkalappá válik Page 1, Page 2 stb. néven. Excelben, Numbers-ben, Google Sheets-ben, LibreOffice-ban megnyílik — bármelyikben. A cellák egyszerű értékek; nincs formázás, képlet, stílus. A lényeg: a számok most számok, az oszlopok most oszlopok.

Ha xlsx helyett CSV-t szeretnél, a saját táblázatkezelődből mentsd a munkalapot CSV-ként — ez egy menü.

Gyakorlati megjegyzések

1. Ha a PDF jelszóval védett, először engedd át unlock-pdf-en. A titkosított PDF-eket nem lehet megnyitni cellakinyeréshez.
2. Nagyon széles tábláknál segít a forrás-PDF-et fekvőre forgatni a kinyerés előtt — kevesebb oszlop, tisztább köz. A forgatás a edit-pdf-ben.
3. Ha csak szövegre van szükséged szerkezet nélkül, a pdf-to-txt gyorsabb, és az eredmény könnyebben átszervezhető.
4. A fordított művelet — Excel-munkalapot PDF-be tenni — az excel-to-pdf.

Mi történik a fájloddal

A kinyerés a böngésződben fut. Nyisd meg a DevTools-t és figyeld a Network fület a művelet közben — nincs kimenő kérés a fájl tartalmával. A PDF a lemezen marad; az .xlsx új letöltés mellette.