PDF в Excel
онлайн

Коли таблиця сидить у PDF, а потрібна як таблиця

Приводи з'являються зазвичай після чужого вибору формату. Банк прислав виписку у PDF, а ви хочете покласти транзакції в таблицю і просумувати категорію. Прайс від постачальника у PDF, а вам треба порівняти з минулим кварталом. Регулятор публікує таблиці даних лише як PDF, і потрібно, щоб це були комірки — посортувати й відфільтрувати. Скрапнутий звіт у PDF, і ви хочете, щоб кожен рядок був рядком. У всіх випадках цифри є; просто вони не поводяться як цифри, бо замкнуті у верстці.

Завдання тут — відновити рядки й колонки: взяти PDF, віддати .xlsx, у якому кожна сторінка — окремий аркуш, кожен рядок — рядок, кожна колонка — колонка. Далі можна сортувати, фільтрувати, сумувати, робити зведені — те, заради чого таблиці й існують.

Чому це здогад, і непоганий

PDF не зберігає таблиць. Усередині сторінка — плоский потік текстових фрагментів з координатами x/y на полотні. Ніхто не каже «це рядок» чи «тут починається колонка» — ці структури існують лише у ваших очах, коли ви читаєте. Відновити їх — означає вивести сітку з позицій самого тексту.

Інструмент робить це у кілька етапів. Спочатку групує фрагменти у рядки за y: якщо два фрагменти відстоять по вертикалі приблизно на пів рядка, вони в одному рядку. Далі в межах рядка фрагменти, розташовані близько по горизонталі, зливаються в одну комірку (звичайні міжлітерні інтервали), а більші проміжки стають межами комірок (зазори між колонками). Нарешті, інструмент дивиться, де комірки починаються по всій сторінці, знаходить домінантні x-координати й трактує їх як центри колонок — кожна комірка потрапляє в найближчу. Виходить прямокутна сітка, яку чекає таблиця.

Що алгоритм бере правильно

• Прості фінансові таблиці — виписки, рахунки, прайси, звіти про витрати. Один рядок на запис, чіткі зазори між колонками, числа притиснуті праворуч: саме той випадок, під який писалася евристика, і зазвичай усе йде як треба.
• Однорядкові записи. Коли кожен запис вміщується в рядок, виявлення рядків надійне.
• Таблиці на всю ширину сторінки. Пошук колонок працює найкраще, коли колонки рознесені й стабільні по сторінці.
• Притиск по правому і по лівому краю. Інструмент справляється з обома — важлива помітна щілина між колонками.

Де в нього труднощі

• Комірки з переносом. Комірка, значення якої поїхало на другий рядок — довгий опис товару, багаторядкова адреса — зазвичай ділиться на два рядки. Лікується легкою ручною правкою в таблиці (або прогоном через pdf-to-txt і збиранням таблиці вручну, якщо правка не варта свічок).
• Об'єднані комірки. Заголовок, що візуально перекриває дві колонки, потрапить лише в одну — ту, до якої ближче. Об'єднання побачите як значення в колонці A та порожнє B.
• Дві таблиці поряд. Детектор колонок бачить обидві відразу й може злити їх в одну широку. Допомагає заздалегідь розрізати PDF навпіл.
• Текст на одній сторінці з таблицею. Абзац над таблицею дає свої «рядки» тексту — кілька рядків, які насправді не рядки, легко видалити.
• Багатосторінкові таблиці. Кожна сторінка стане окремим аркушем. Щоб зшити в одну неперервну таблицю, скопіюйте й вставте секції даних після витягування.
• Сканована PDF. Те саме обмеження, що для будь-якого витягування тексту: якщо сторінка — картинка (сканована виписка, сфотографований чек), читати нічого. Спершу через OCR в іншому інструменті.

Що ви отримаєте на виході

Один .xlsx. Кожна сторінка PDF — окремий аркуш з іменем Page 1, Page 2 тощо. Відкриється в Excel, Numbers, Google Sheets, LibreOffice — будь-де. Комірки — прості значення; форматування, формул, стилів немає. Сенс у тому, що цифри тепер цифри, а колонки — колонки.

Якщо хочеться CSV замість xlsx — збережіть аркуш як CSV у своєму табличному застосунку, це за одне меню.

Практичні нотатки

1. Якщо PDF під паролем, спершу через unlock-pdf. Зашифровані PDF не можна відкрити для витягування комірок.
2. Для дуже широких таблиць допоможе повернути вихідний PDF в альбомну орієнтацію до витягування — менше колонок, чистіші зазори. Поворот — в edit-pdf.
3. Якщо потрібен лише текст без структури, pdf-to-txt швидший, і результат простіше переформатувати.
4. Зворотна операція — покласти Excel-аркуш у PDF — це excel-to-pdf.

Що відбувається з вашим файлом

Витягування йде у вашому браузері. Відкрийте DevTools і простежте вкладку Network під час операції — вихідних запитів зі вмістом файлу немає. PDF лишається на диску; .xlsx — нове завантаження поряд.