Extraktor tabuliek z PDF
Vyberte tabuľky z textového PDF a stiahnite si ich vo formáte CSV. Nástroj zoskupí text každej strany podľa polohy do riadkov, vyhľadá postupnosti riadkov s viacerými stĺpcami a zarovná bunky podľa ich vodorovnej polohy. Ide o heuristickú metódu, preto výsledok skontrolujte, najmä pri tabuľkách so zlúčenými bunkami alebo zalomeným textom.
Často kladené otázky
Ako sa zisťujú tabuľky?
Text na rovnakej základnej línii tvorí riadok a medzera širšia než približne 0,8-násobok výšky písma začína novú bunku. Tabuľku tvoria aspoň dva po sebe nasledujúce riadky s najmenej dvoma bunkami. Stĺpce sa určujú podľa vodorovného rozsahu buniek, takže fungujú ľavé aj pravé zarovnanie.
Funguje to aj s naskenovanými súbormi PDF?
Nie. Nástroj číta textovú vrstvu, takže z naskenovanej strany bez nej nemá čo extrahovať. Najprv použite OCR a potom výsledný súbor.
Čo sa stane s bunkami, ktorých text je zalomený na viac riadkov?
Každý riadok textu sa zmení na samostatný riadok tabuľky, takže bunka so zalomeným textom vytvorí ďalší riadok vyplnený iba v danom stĺpci. Nadpisy presahujúce viacero stĺpcov môžu stĺpce tiež zlúčiť. Po exporte tieto riadky skontrolujte v tabuľkovom procesore.
Čo získam, ak sa v dokumente nachádza viacero tabuliek?
Jedna tabuľka sa stiahne ako súbor CSV. Viacero tabuliek sa stiahne ako súbor ZIP s jedným súborom CSV pre každú tabuľku, pomenovaným napríklad page-1-table-1.csv. Hodnoty sa uzavrú do úvodzoviek, ak obsahujú oddeľovač, úvodzovky alebo zalomenia riadkov, a riadky sa ukončia znakmi CRLF.
Môžem obmedziť počet strán?
Áno. Zadajte stránky, napríklad 1-3,5, ak chcete načítať iba vybrané strany, alebo ponechajte pole prázdne, ak chcete načítať všetky strany.
Aké sú limity?
Súbory PDF do 10 MB a 200 strán, najviac 200 tabuliek, spolu 20,000 riadkov a 100 stĺpcov na tabuľku.