Wyodrębnianie tabel z PDF
Wyodrębnij tabele z tekstowego pliku PDF i pobierz je jako CSV. Narzędzie grupuje tekst każdej strony w wiersze według położenia, wyszukuje ciągi wierszy z kilkoma kolumnami i wyrównuje komórki według ich położenia w poziomie. To metoda heurystyczna, dlatego sprawdź wynik, zwłaszcza w przypadku tabel z scalonymi komórkami lub zawijanym tekstem.
Najczęściej zadawane pytania
Jak wykrywane są tabele?
Tekst na tej samej linii bazowej tworzy wiersz, a odstęp większy niż około 0,8 wysokości czcionki rozpoczyna nową komórkę. Dwa lub więcej kolejnych wierszy zawierających co najmniej dwie komórki tworzą tabelę. Kolumny są wyznaczane na podstawie poziomego zasięgu komórek, więc działa to zarówno w przypadku kolumn wyrównanych do lewej, jak i do prawej.
Czy działa w przypadku zeskanowanych plików PDF?
Nie. Narzędzie odczytuje warstwę tekstową, więc zeskanowana strona bez takiej warstwy nie zawiera niczego do wyodrębnienia. Najpierw wykonaj OCR i użyj uzyskanego pliku.
Co się dzieje z komórkami, których tekst zajmuje kilka wierszy?
Każdy wiersz tekstu staje się osobnym wierszem tabeli, więc zawinięta komórka tworzy dodatkowy wiersz wypełniony tylko w tej kolumnie. Nagłówki obejmujące kilka kolumn również mogą je scalić. Po eksporcie sprawdź te wiersze w arkuszu kalkulacyjnym.
Co otrzymam, gdy jest kilka tabel?
Jedna tabela jest pobierana jako plik CSV. Kilka tabel jest pobieranych jako plik ZIP zawierający po jednym CSV na tabelę, o nazwach page-1-table-1.csv i tak dalej. Wartości są ujęte w cudzysłowy, jeśli zawierają separator, cudzysłowy lub podziały wiersza, a wiersze kończą się znakami CRLF.
Czy mogę ograniczyć liczbę stron?
Tak. Wpisz zakresy stron, na przykład 1-3,5, aby odczytać tylko te strony, albo pozostaw pole puste, aby uwzględnić wszystkie.
Jakie obowiązują limity?
Pliki PDF do 10 MB i 200 stron, maksymalnie 200 tabel, łącznie 20,000 wierszy i 100 kolumn na tabelę.