Extractor de tabele PDF
Extrageți tabele dintr-un PDF bazat pe text și descărcați-le ca CSV. Instrumentul grupează textul fiecărei pagini în rânduri în funcție de poziție, identifică secvențe de rânduri cu mai multe coloane și aliniază celulele după poziția lor orizontală. Metoda este euristică, așa că verificați rezultatul, mai ales pentru tabele cu celule îmbinate sau text pe mai multe rânduri.
Întrebări frecvente
Cum sunt detectate tabelele?
Textul de pe aceeași linie de bază formează un rând, iar un spațiu mai mare de aproximativ 0,8 ori înălțimea fontului începe o celulă nouă. Două sau mai multe rânduri consecutive cu cel puțin două celule formează un tabel, iar coloanele sunt determinate de întinderea orizontală a celulelor, astfel încât funcționează atât coloanele aliniate la stânga, cât și cele aliniate la dreapta.
Funcționează cu PDF-uri scanate?
Nu. Citește stratul de text, așa că o pagină scanată fără acesta nu conține nimic de extras. Procesați mai întâi documentul prin OCR și folosiți rezultatul.
Ce se întâmplă cu celulele care se întind pe mai multe rânduri?
Fiecare rând de text devine propriul rând, astfel încât o celulă care se întinde pe mai multe rânduri produce un rând suplimentar, completat doar în coloana respectivă. Titlurile care se întind pe mai multe coloane pot, de asemenea, să le îmbine. Verificați aceste rânduri într-o foaie de calcul după export.
Ce primesc dacă există mai multe tabele?
Un singur tabel se descarcă într-un fișier CSV. Mai multe tabele se descarcă într-un fișier ZIP cu câte un CSV pentru fiecare tabel, denumite page-1-table-1.csv și așa mai departe. Valorile sunt între ghilimele dacă includ delimitatorul, ghilimele sau întreruperi de rând, iar rândurile se termină cu CRLF.
Pot limita paginile?
Da. Introduceți paginile în formatul 1-3,5 pentru a citi doar paginile respective sau lăsați câmpul gol pentru toate paginile.
Care sunt limitele?
PDF-uri de până la 10 MB și 200 pagini, cel mult 200 tabele, 20,000 rânduri în total și 100 coloane pentru fiecare tabel.