แปลง PDF เป็น Excel

เมื่อตารางอยู่ใน PDF และต้องกลับมาเป็นตาราง

โอกาสมักโผล่มาตามหลังการเลือกฟอร์แมตของคนอื่น ธนาคารส่งใบแจ้งยอดเป็น PDF และคุณอยากเทรายการเข้าสเปรดชีตเพื่อรวมหมวดหนึ่ง ใบราคาจากซัพพลายเออร์มาเป็น PDF และคุณอยากเทียบกับไตรมาสที่แล้ว หน่วยงานกำกับเผยแพร่ตารางข้อมูลเฉพาะเป็น PDF และคุณต้องใช้เป็นเซลล์เพื่อจัดเรียงและกรอง รายงานที่ scrape มาเป็น PDF และคุณอยากให้ทุกแถวเป็นแถว ในทุกกรณี ตัวเลขมีอยู่ เพียงแค่ไม่ทำตัวเหมือนตัวเลขเพราะถูกล็อกอยู่ในเลย์เอาต์

งานที่นี่คือกู้คืนแถวและคอลัมน์ รับ PDF คืนเป็น .xlsx ที่แต่ละหน้าคือชีตของตัวเอง ทุกแถวคือแถว ทุกคอลัมน์คือคอลัมน์ จากตรงนั้นจัดเรียง กรอง รวม ทำพิวตได้ — เป็นที่มาของการมีสเปรดชีต

ทำไมเป็นการเดา — และเดาดีพอใช้

PDF ไม่ได้เก็บตาราง ภายในนั้นหนึ่งหน้าคือสายแบนของชิ้นข้อความที่มีพิกัด x/y บนผืนผ้าใบ ไม่มีที่ใดบอกว่า «นี่คือแถว» หรือ «คอลัมน์เริ่มที่นี่» โครงสร้างเหล่านี้มีอยู่แค่ในตาคุณตอนอ่าน การกู้คืนหมายถึงอนุมานตารางจากตำแหน่งที่ข้อความตั้งอยู่จริง

เครื่องมือทำเป็นหลายขั้นตอน อันดับแรก จัดกลุ่มชิ้นข้อความเป็นแถวตาม y ถ้าสองชิ้นห่างกันแนวตั้งราวครึ่งหนึ่งของความสูงบรรทัด แสดงว่าเป็นแถวเดียวกัน ต่อมาในแถวเดียวกัน ชิ้นที่อยู่ใกล้กันแนวนอนหลอมเป็นเซลล์เดียว (ระยะห่างตัวอักษรปกติ) ส่วนช่องว่างที่กว้างกว่ากลายเป็นขอบเซลล์ (ทางระหว่างคอลัมน์) สุดท้าย เครื่องมือดูว่าเซลล์เริ่มที่ใดทั่วทั้งหน้า หาตำแหน่ง x ที่เด่นและถือว่าเป็นจุดศูนย์กลางคอลัมน์ — ทุกเซลล์ถูกกำหนดให้คอลัมน์ที่ใกล้ที่สุด ผลคือกริดสี่เหลี่ยมที่สเปรดชีตต้องการ

สิ่งที่อัลกอริทึมจับได้ดี

• ตารางการเงินคลาสสิก — ใบแจ้งยอด ใบกำกับ ใบราคา รายงานค่าใช้จ่าย หนึ่งแถวต่อหนึ่งระเบียน ทางระหว่างคอลัมน์ชัด ตัวเลขชิดขวา เป็นกรณีที่ heuristic ถูกปรับมา และมักออกมาสะอาด
• รายการแถวเดียว เมื่อทุกระเบียนพอดีกับหนึ่งแถว การตรวจหาแถวเชื่อถือได้
• ตารางที่กว้างเต็มหน้า การตรวจหาคอลัมน์ทำงานดีที่สุดเมื่อคอลัมน์ห่างกันดีและคงที่ตลอดหน้า
• ชิดขวาและชิดซ้าย เครื่องมือรับทั้งคู่ — สำคัญที่ทางระหว่างคอลัมน์ที่มองออก

ที่ที่มีปัญหา

• เซลล์ที่ตัดบรรทัด เซลล์ที่ค่าล้นไปบรรทัดที่สอง — รายละเอียดสินค้ายาว ที่อยู่หลายบรรทัด — มักถูกแยกเป็นสองแถว แก้ด้วยการแก้มือเล็กน้อยในชีต (หรือใช้ pdf-to-txt และสร้างตารางใหม่ด้วยมือ ถ้าการแก้ไม่คุ้ม)
• เซลล์ผสาน หัวที่ครอบสองคอลัมน์ทางสายตา จะปรากฏในคอลัมน์เดียว — คอลัมน์ที่ใกล้ที่สุด ผสานเห็นเป็นค่าในคอลัมน์ A และ B ว่าง
• ตารางสองตารางวางข้างกัน ตัวตรวจหาคอลัมน์เห็นทั้งคู่พร้อมกันและอาจอัดเป็นตารางใหญ่ตารางเดียว ตัด PDF เป็นครึ่งล่วงหน้าช่วยได้
• เนื้อหาวิ่งในหน้าเดียวกับตาราง ย่อหน้าเหนือตารางจะให้ «แถว» ของข้อความของตัวเอง — แถวสองสามแถวที่จริง ๆ ไม่ใช่แถว ลบง่าย
• ตารางหลายหน้า แต่ละหน้ากลายเป็นชีตแยก เพื่อเย็บเป็นตารางต่อเนื่อง คัดลอกและวางส่วนข้อมูลหลังการสกัด
• PDF ที่สแกน ข้อสงวนเดียวกับการสกัดข้อความใด ๆ ถ้าหน้าคือภาพ (ใบแจ้งยอดสแกน ใบเสร็จที่ถ่าย) ไม่มีอะไรให้อ่าน ก่อนอื่นทำ OCR ในเครื่องมืออื่น

สิ่งที่คุณได้ในตอนท้าย

ไฟล์ .xlsx หนึ่งไฟล์ ทุกหน้า PDF กลายเป็นชีตของตัวเองชื่อ Page 1, Page 2 ฯลฯ เปิดใน Excel, Numbers, Google Sheets, LibreOffice ก็ได้ทั้งหมด เซลล์เป็นค่าธรรมดา ไม่มีฟอร์แมต ไม่มีสูตร ไม่มีสไตล์ ใจความคือ ตัวเลขกลับมาเป็นตัวเลข คอลัมน์กลับมาเป็นคอลัมน์

ถ้าอยากได้ CSV แทน xlsx ให้บันทึกชีตเป็น CSV จากแอปสเปรดชีตของคุณ — อยู่ห่างไปหนึ่งเมนู

หมายเหตุปฏิบัติ

1. ถ้า PDF มีรหัสผ่าน ส่งผ่าน unlock-pdf ก่อน PDF ที่เข้ารหัสไม่สามารถเปิดเพื่อสกัดเซลล์ได้
2. สำหรับตารางที่กว้างมาก หมุน PDF ต้นทางเป็นแนวนอนก่อนสกัดช่วยได้ — คอลัมน์น้อยลง ทางสะอาดขึ้น หมุนใน edit-pdf
3. ถ้าต้องการเพียงข้อความไม่ต้องการโครงสร้าง pdf-to-txt เร็วกว่าและผลลัพธ์จัดใหม่ง่ายกว่า
4. การดำเนินการย้อนกลับ — ใส่ชีต Excel ลงใน PDF — คือ excel-to-pdf

ไฟล์ของคุณจะเกิดอะไรขึ้น

การสกัดทำงานในเบราว์เซอร์ของคุณ เปิด DevTools และดูแท็บ Network ขณะทำ ไม่มีคำขอออกที่นำเนื้อไฟล์ออกไป PDF ยังอยู่บนดิสก์ ส่วน .xlsx เป็นไฟล์ดาวน์โหลดใหม่ข้างกัน