Extraktor tabulek z PDF
Vytáhněte tabulky z textového PDF a stáhněte je jako CSV. Nástroj seskupí text každé stránky do řádků podle jejich polohy, vyhledá souvislé úseky řádků s několika sloupci a zarovná buňky podle jejich vodorovné polohy. Jde o heuristiku, proto výsledek zkontrolujte, zejména u tabulek se sloučenými buňkami nebo zalomeným textem.
Často kladené otázky
Jak nástroj rozpoznává tabulky?
Text na stejné účaří tvoří řádek a mezera širší než přibližně 0,8násobek výšky písma začíná novou buňku. Dva nebo více po sobě jdoucích řádků s alespoň dvěma buňkami tvoří tabulku. Sloupce se určují podle vodorovného rozsahu buněk, takže fungují sloupce zarovnané vlevo i vpravo.
Funguje nástroj u naskenovaných souborů PDF?
Ne. Čte textovou vrstvu, takže z naskenované stránky bez textové vrstvy nemá co extrahovat. Nejprve spusťte OCR a použijte jeho výsledek.
Co se stane s buňkami, jejichž obsah se zalamuje do více řádků?
Každý řádek textu se převede na vlastní řádek tabulky, takže zalomená buňka vytvoří další řádek vyplněný pouze v daném sloupci. Nadpisy rozprostřené přes několik sloupců mohou sloupce také sloučit. Po exportu tyto řádky zkontrolujte v tabulkovém procesoru.
Co se stane, když je v dokumentu několik tabulek?
Jedna tabulka se stáhne jako soubor CSV. Několik tabulek se stáhne jako soubor ZIP, který obsahuje jeden soubor CSV pro každou tabulku s názvem page-1-table-1.csv atd. Hodnoty se uzavřou do uvozovek, pokud obsahují oddělovač, uvozovky nebo zalomení řádků, a řádky končí CRLF.
Mohu omezit počet stránek?
Ano. Zadejte stránky například jako 1-3,5, chcete-li načíst pouze tyto stránky, nebo ponechte pole prázdné pro všechny stránky.
Jaká jsou omezení?
Soubory PDF do 10 MB a 200 stran, nejvýše 200 tabulek, celkem 20,000 řádků a 100 sloupců na tabulku.