PDF în Excel
Online

Când tabelul stă într-un PDF și trebuie să redevină tabel

Situațiile apar de obicei în urma alegerii de format a altcuiva. Banca trimite extrasul ca PDF, iar tu vrei să torni tranzacțiile într-o foaie de calcul ca să aduni o categorie. Lista de prețuri de la furnizor a venit în PDF și vrei să o compari cu trimestrul trecut. O autoritate publică tabelele de date doar ca PDF, iar ție îți trebuie ca celule pentru a sorta și filtra. Un raport extras prin scraping e în PDF și vrei fiecare rând ca rând. În toate aceste cazuri cifrele există; pur și simplu nu se comportă ca cifre fiindcă sunt prinse într-o paginare.

Sarcina aici este să recuperezi rândurile și coloanele: iei PDF-ul, primești un .xlsx în care fiecare pagină e propria foaie, fiecare rând e un rând și fiecare coloană e o coloană. De acolo poți sorta, filtra, însuma, face tabele pivot — pentru asta există foile de calcul.

De ce e o presupunere — și una destul de bună

PDF-urile nu păstrează tabele. În interior, o pagină este un flux plat de fragmente de text cu poziții x/y pe pânză. Nicăieri nu scrie „acesta e un rând" sau „aici începe o coloană" — aceste structuri există doar în ochiul tău, când citești. A le recupera înseamnă a deduce grila din locul în care textul stă efectiv.

Unealta o face în mai mulți pași. Mai întâi grupează fragmentele în rânduri după y: dacă două fragmente sunt vertical la aproximativ jumătate de înălțime de rând unul de altul, aparțin aceluiași rând. Apoi, în interiorul rândului, fragmentele apropiate orizontal se contopesc într-o singură celulă (spațiere de litere obișnuită), iar spațiile mai largi devin granițe de celulă (culoare între coloane). În final, se uită unde încep celulele de-a lungul întregii pagini, găsește pozițiile x dominante și le tratează drept centre de coloană — fiecare celulă merge la cea mai apropiată. Iese grila dreptunghiulară pe care o cere foaia de calcul.

Ce algoritmul prinde corect

• Tabele financiare clasice — extrase, facturi, liste de prețuri, deconturi. Un rând pe înregistrare, culoare clare între coloane, numere aliniate la dreapta: exact cazul pentru care heuristica a fost reglată, și în general iese curat.
• Înregistrări pe un singur rând. Când fiecare înregistrare încape pe un rând, detecția rândurilor e fiabilă.
• Tabele pe toată lățimea paginii. Detecția coloanelor merge cel mai bine când coloanele sunt distanțate bine și constante de-a lungul paginii.
• Aliniere la dreapta și la stânga. Unealta se descurcă cu ambele — important este un culoar vizibil între coloane.

Unde are dificultăți

• Celule cu rupere de rând. O celulă a cărei valoare trece pe al doilea rând — descriere lungă de produs, adresă pe mai multe linii — se sparge de obicei pe două rânduri. Se rezolvă cu o mică retușare manuală în foaie (sau mai degrabă pdf-to-txt și reconstrucția tabelului manual, dacă retușarea nu merită).
• Celule îmbinate. Un antet care vizual acoperă două coloane apare doar în una — cea mai apropiată. Îmbinarea o vezi ca valoare în coloana A și B gol.
• Două tabele alăturate. Detectorul de coloane le vede pe amândouă deodată și poate să le strivească într-un singur tabel lat. Tăierea PDF-ului în jumătăți în prealabil ajută.
• Text curent pe aceeași pagină cu un tabel. Un paragraf deasupra tabelului contribuie cu propriile sale „rânduri" de text — câteva rânduri care de fapt nu sunt rânduri, ușor de șters.
• Tabele pe mai multe pagini. Fiecare pagină devine o foaie separată. Pentru a le coase într-un tabel continuu, copiezi și lipești blocurile de date după extragere.
• PDF-uri scanate. Aceeași rezervă ca pentru orice extragere de text: dacă pagina e o imagine (extras scanat, bon fotografiat), nu există ce citi. Mai întâi OCR în alt instrument.

Ce primești la final

Un fișier .xlsx. Fiecare pagină a PDF-ului devine o foaie proprie cu numele Page 1, Page 2 etc. Se deschide în Excel, Numbers, Google Sheets, LibreOffice — în oricare. Celulele sunt valori simple; fără formatare, fără formule, fără stiluri. Sensul e că numerele sunt acum numere, iar coloanele sunt coloane.

Dacă preferi CSV în loc de xlsx, salvează foaia ca CSV din aplicația ta de calcul tabelar — e la un meniu distanță.

Note practice

1. Dacă PDF-ul are parolă, trece-l mai întâi prin unlock-pdf. PDF-urile criptate nu pot fi deschise pentru extragere de celule.
2. Pentru tabele foarte late ajută să rotești PDF-ul sursă în peisaj înainte de extragere — mai puține coloane, culoare mai curate. Rotirea se face în edit-pdf.
3. Dacă ai nevoie doar de text fără structură, pdf-to-txt e mai rapid, iar rezultatul e mai ușor de rearanjat.
4. Operația inversă — a pune o foaie Excel într-un PDF — este excel-to-pdf.

Ce se întâmplă cu fișierul tău

Extragerea rulează în browserul tău. Deschide DevTools și uită-te la fila Network în timpul operației — fără cereri ieșite cu conținutul fișierului. PDF-ul rămâne pe disc; .xlsx-ul e o descărcare nouă alături.