PDF-i tabelite eraldaja
Eraldage tekstipõhisest PDF-ist tabelid ja laadige need alla kujul CSV. Tööriist rühmitab iga lehe teksti asukoha järgi ridadeks, leiab mitme veeruga ridade jadad ja joondab lahtrid nende horisontaalse asukoha järgi. Tegemist on heuristikaga, seega kontrollige tulemust, eriti liidetud lahtrite või mitmele reale murduva tekstiga tabelite puhul.
Korduma kippuvad küsimused
Kuidas tabeleid tuvastatakse?
Samal baasjoonel olev tekst moodustab rea ning fondi kõrgusest umbes 0,8 korda suurem vahe alustab uut lahtrit. Tabeli moodustavad kaks või enam järjestikust rida, milles on vähemalt kaks lahtrit. Veerud leitakse lahtrite horisontaalse ulatuse järgi, mistõttu sobivad nii vasakule kui ka paremale joondatud veerud.
Kas see töötab skannitud PDF-idega?
Ei. Tööriist loeb tekstikihti, nii et skannitud lehel, millel see puudub, pole midagi eraldada. Käivitage esmalt OCR ja kasutage selle tulemust.
Mis juhtub lahtritega, mille tekst jätkub mitmel real?
Iga tekstirida muutub eraldi reaks, nii et mitmele reale murduv lahter tekitab lisarea, kus on täidetud ainult selle veeru lahter. Mitut veergu hõlmavad pealkirjad võivad samuti veerge ühendada. Kontrollige neid ridu pärast eksportimist arvutustabelis.
Mida saan, kui tabeleid on mitu?
Üks tabel laaditakse alla CSV-failina. Mitu tabelit laaditakse alla ZIP-failina, milles on iga tabeli kohta üks CSV, nimega page-1-table-1.csv jne. Väärtused pannakse jutumärkidesse, kui need sisaldavad eraldajat, jutumärke või reavahetusi, ning read lõpevad CRLF-iga.
Kas saan lehti piirata?
Jah. Sisestage lehed näiteks kujul 1-3,5, et lugeda ainult neid lehti, või jätke väli tühjaks, et lugeda kõiki lehti.
Millised on piirangud?
PDF-id kuni 10 MB ja 200 lehekülge, kuni 200 tabelit, kokku 20,000 rida ja tabeli kohta 100 veergu.