PDF-tabelextractor
Haal tabellen uit een tekstgebaseerde PDF en download ze als CSV. De tool groepeert de tekst op elke pagina op basis van positie in regels, zoekt opeenvolgende regels met meerdere kolommen en lijnt de cellen uit op hun horizontale positie. Dit is een heuristische methode; controleer het resultaat, vooral bij tabellen met samengevoegde cellen of afgebroken tekst.
Veelgestelde vragen
Hoe worden tabellen herkend?
Tekst op dezelfde basislijn vormt een regel en een tussenruimte van meer dan ongeveer 0,8 keer de letterhoogte begint een nieuwe cel. Twee of meer opeenvolgende regels met minstens twee cellen vormen een tabel. De kolommen worden bepaald aan de hand van de horizontale omvang van de cellen, zodat zowel links- als rechts uitgelijnde kolommen werken.
Werkt dit met gescande PDF's?
Nee. De tool leest de tekstlaag, dus een gescande pagina zonder tekstlaag bevat niets om te extraheren. Voer eerst OCR uit en gebruik het resultaat.
Wat gebeurt er met cellen waarvan de tekst over meerdere regels loopt?
Elke tekstregel wordt een eigen rij. Een cel waarvan de tekst doorloopt, levert dus een extra rij op waarin alleen die kolom is ingevuld. Koppen die meerdere kolommen beslaan, kunnen kolommen ook samenvoegen. Controleer deze rijen na het exporteren in een spreadsheet.
Wat krijg ik als er meerdere tabellen zijn?
Eén tabel wordt gedownload als een CSV-bestand. Meerdere tabellen worden gedownload als ZIP-bestand met één CSV per tabel, met namen als page-1-table-1.csv enzovoort. Waarden worden tussen aanhalingstekens gezet wanneer ze het scheidingsteken, aanhalingstekens of regeleinden bevatten; regels eindigen met CRLF.
Kan ik het aantal pagina's beperken?
Ja. Voer pagina's in als 1-3,5 om alleen die pagina's te lezen, of laat het veld leeg om alle pagina's te gebruiken.
Wat zijn de limieten?
PDF's tot 10 MB en 200 pagina's, maximaal 200 tabellen, 20,000 rijen in totaal en 100 kolommen per tabel.