PDF tabulu izvilcējs
Izvelciet tabulas no teksta PDF faila un lejupielādējiet tās kā CSV. Rīks sagrupē katras lapas tekstu rindās pēc novietojuma, atrod vairāku kolonnu rindu virknes un izlīdzina šūnas pēc to horizontālā novietojuma. Tā ir heiristiska metode, tāpēc pārbaudiet rezultātu, jo īpaši tabulām ar apvienotām šūnām vai teksta aplaušanu.
Bieži uzdotie jautājumi
Kā tiek noteiktas tabulas?
Teksts, kas atrodas uz vienas pamatlīnijas, veido rindu, un atstarpe, kas platāka par aptuveni 0,8 fonta augstumiem, sāk jaunu šūnu. Divas vai vairākas secīgas rindas ar vismaz divām šūnām veido tabulu. Kolonnas tiek noteiktas pēc šūnu horizontālā apjoma, tāpēc darbojas gan pa kreisi, gan pa labi līdzinātas kolonnas.
Vai tas darbojas ar skenētiem PDF?
Nē. Rīks nolasa teksta slāni, tāpēc skenētā lapā bez teksta slāņa nav ko izvilkt. Vispirms apstrādājiet failu ar OCR un izmantojiet iegūto rezultātu.
Kas notiek ar šūnām, kuru teksts turpinās vairākās rindās?
Katra teksta rinda kļūst par atsevišķu tabulas rindu, tāpēc šūna, kuras teksts turpinās nākamajā rindā, izveido papildu rindu, kurā aizpildīta tikai attiecīgā kolonna. Virsraksti, kas aptver vairākas kolonnas, arī var izraisīt kolonnu apvienošanu. Pēc eksportēšanas pārbaudiet šīs rindas izklājlapā.
Ko iegūšu, ja ir vairākas tabulas?
Vienu tabulu var lejupielādēt kā CSV failu. Vairākas tabulas var lejupielādēt kā ZIP failu ar vienu CSV katrai tabulai, piemēram, page-1-table-1.csv un tā tālāk. Vērtības tiek liktas pēdiņās, ja tajās ir atdalītājs, pēdiņas vai rindu pārtraukumi, un rindas beidzas ar CRLF.
Vai varu ierobežot lapu atlasi?
Jā. Ievadiet lapas, piemēram, 1-3,5, lai nolasītu tikai tās, vai atstājiet lauku tukšu, lai nolasītu visas lapas.
Kādi ir ierobežojumi?
PDF līdz 10 MB un 200 lapām, līdz 200 tabulām, kopā 20,000 rindām un 100 kolonnām katrā tabulā.