Извлечение таблиц из PDF
Извлекайте таблицы из PDF с текстовым слоем и скачивайте их в формате CSV. Инструмент группирует текст каждой страницы в строки по расположению, находит последовательности строк с несколькими столбцами и выравнивает ячейки по горизонтали. Результат определяется эвристически, поэтому проверьте его, особенно если в таблице есть объединенные ячейки или переносы текста.
Часто задаваемые вопросы
Как определяются таблицы?
Текст на одной базовой линии образует строку, а промежуток шире примерно 0,8 высоты шрифта начинает новую ячейку. Две или более последовательные строки как минимум с двумя ячейками образуют таблицу; столбцы определяются по горизонтальной ширине ячеек, поэтому подходят и выравнивание по левому краю, и по правому.
Работает ли инструмент с отсканированными PDF?
Нет. Инструмент считывает текстовый слой, поэтому на отсканированной странице без него нечего извлекать. Сначала выполните OCR и используйте полученный файл.
Что происходит с ячейками, текст в которых занимает несколько строк?
Каждая строка текста становится отдельной строкой таблицы, поэтому для ячейки с переносом создается дополнительная строка, заполненная только в соответствующем столбце. Заголовки, охватывающие несколько столбцов, также могут объединить их. Проверьте эти строки в электронной таблице после экспорта.
Что получится, если таблиц несколько?
Одна таблица скачивается в виде файла CSV. Несколько таблиц скачиваются в ZIP-архиве: по одному файлу CSV на таблицу с именами page-1-table-1.csv и так далее. Значения заключаются в кавычки, если в них есть разделитель, кавычки или переносы строк; строки заканчиваются CRLF.
Можно ли ограничить число страниц?
Да. Введите номера страниц, например 1-3,5, чтобы читать только их, или оставьте поле пустым для обработки всех страниц.
Какие есть ограничения?
PDF размером до 10 MB и объемом до 200 страниц; не более 200 таблиц, 20,000 строк суммарно и 100 столбцов в каждой таблице.