PDF в Excel
онлайн

Когда таблица сидит в PDF, а нужна как таблица

Поводы появляются обычно после чужого выбора формата. Банк прислал выписку PDF, а вам надо положить транзакции в таблицу и просуммировать категорию. Прайс от поставщика в PDF, а вы хотите сравнить его с прошлым кварталом. Регулятор публикует таблицы данных только как PDF, и нужно, чтобы это были ячейки — отсортировать и отфильтровать. Скрапнутый отчёт в PDF, и вы хотите, чтобы каждая строка была строкой. Во всех случаях цифры есть; просто они не ведут себя как цифры, потому что заперты в вёрстке.

Задача здесь — восстановить строки и колонки: взять PDF, отдать .xlsx, в котором каждая страница — отдельный лист, каждая строка — строка, каждая колонка — колонка. Дальше можно сортировать, фильтровать, суммировать, делать сводные — то, ради чего нужны таблицы.

Почему это догадка, и довольно неплохая

PDF не хранит таблиц. Внутри страница — плоский поток текстовых фрагментов с координатами x/y на холсте. Никто не говорит «это строка» или «здесь начинается колонка» — эти структуры существуют лишь у вас в глазах, когда вы читаете. Восстановить их — значит вывести сетку из позиций самого текста.

Инструмент делает это в несколько этапов. Сначала группирует фрагменты текста в строки по y: если два фрагмента отстоят друг от друга по вертикали примерно на полстроки, они в одной строке. Дальше внутри строки фрагменты, расположенные близко по горизонтали, сливаются в одну ячейку (обычные межбуквенные интервалы), а более широкие промежутки становятся границами ячеек (зазоры между колонками). Наконец, инструмент смотрит, где ячейки начинаются по всей странице, находит доминирующие x-координаты и трактует их как центры колонок — каждая ячейка попадает в ту колонку, к которой ближе. Получается прямоугольная сетка, которую ждёт таблица.

Что алгоритм берёт правильно

• Простые финансовые таблицы — выписки, счета, прайсы, отчёты по расходам. Одна строка на запись, чёткие зазоры между колонками, числа прижаты вправо: ровно тот случай, под который писалась эвристика, и обычно всё проходит как надо.
• Однострочные записи. Когда каждая запись помещается в строку, обнаружение строк надёжно.
• Таблицы во всю ширину страницы. Поиск колонок работает лучше всего, когда колонки разнесены и стабильны по странице.
• Прижим по правому и по левому краю. Инструмент справляется с обоими — важна различимая щель между колонками.

Где у него трудности

• Ячейки с переносом. Ячейка, значение которой уехало на вторую строку — длинное описание товара, многострочный адрес — обычно делится на две строки. Лечится лёгкой ручной правкой в таблице (или прогоном через pdf-to-txt и сборкой таблицы вручную, если правка не стоит свеч).
• Объединённые ячейки. Заголовок, визуально перекрывающий две колонки, попадёт только в одну — ту, к которой ближе. Объединение увидите как значение в колонке A и пустое B.
• Две таблицы рядом. Детектор колонок видит обе сразу и может слепить их в одну широкую. Помогает заранее разрезать PDF пополам.
• Текст на одной странице с таблицей. Абзац над таблицей даёт свои «строки» текста — несколько строк, которые на самом деле не строки, легко удалить.
• Многостраничные таблицы. Каждая страница станет отдельным листом. Чтобы сшить обратно в одну непрерывную таблицу, скопируйте и вставьте секции данных после извлечения.
• Сканированные PDF. То же ограничение, что для любого извлечения текста: если страница — картинка (сканированная выписка, сфотографированный чек), читать нечего. Сначала через OCR в другом инструменте.

Что вы получаете на выходе

Один .xlsx. Каждая страница PDF — отдельный лист с именем Page 1, Page 2 и т. д. Откроется в Excel, Numbers, Google Sheets, LibreOffice — где угодно. Ячейки — простые значения; форматирования, формул, стилей нет. Смысл в том, что цифры теперь цифры, а колонки — колонки.

Если хочется CSV вместо xlsx — сохраните лист как CSV из своего табличного приложения, это в одном меню.

Практические заметки

1. Если PDF под паролем, сначала через unlock-pdf. Зашифрованные PDF нельзя открыть для извлечения ячеек.
2. Для очень широких таблиц поможет повернуть исходный PDF в альбомную ориентацию до извлечения — меньше колонок, чище зазоры. Поворот — в edit-pdf.
3. Если нужен только текст без структуры, pdf-to-txt быстрее, и результат проще переформатировать.
4. Обратная операция — положить Excel-лист в PDF — это excel-to-pdf.

Что происходит с вашим файлом

Извлечение идёт в вашем браузере. Откройте DevTools и проследите вкладку Network во время операции — исходящих запросов с содержимым файла нет. PDF остаётся на диске; .xlsx — новая загрузка рядом.