PDF-in-Excel-Konverter mit prüfbarem Raster

Dafür gibt es zwei verschiedene Gründe, und das Werkzeug unterscheidet sie. Hat das PDF keine Textebene (die Seiten sind als Bilder gespeichert), gibt es nichts zu lesen — solche Seiten werden ausgewiesen und brauchen erst eine Erkennung. Gibt es Text, aber keine Struktur, laufen die Zeilen als eine Spalte, und das ist Fließtext statt Tabelle. Eine einspaltige Liste als Tabelle auszugeben lehnt das Werkzeug bewusst ab: ein Blatt voll solcher Zeilen ist schlechter als ein ehrliches „nichts gefunden“.

Korrigieren Sie es im Raster, genau an der Stelle, an der der Detektor danebenlag. Jeder Spaltenkopf trägt ein Menü „⋯": mit der nächsten verbinden, an der breitesten Lücke teilen, löschen, Typ setzen. Ein Klick auf die Zeilennummer löscht die Zeile. Früher wirkten diese Operationen nur auf die LETZTEN Spalten — auf einer neunspaltigen Rechnung mit einem Fehler in der Mitte waren sie nutzlos und sahen doch funktionsfähig aus.

Weil die linken Kanten in einer echten Tabelle nicht fluchten. In unserer eigenen Testaufstellung beginnt die mittlere Spalte bei 143, 155 und 152 und die rechte bei 198, 184 und 184: Zahlen rechtsbündig, Überschriften linksbündig. Eine Gruppierung nach linker Kante teilt mit jeder Toleranz entweder eine Spalte in drei oder führt drei zu einer zusammen. Stabil ist nur der leere Korridor ZWISCHEN den Spalten — und damit arbeitet die Zerlegung.

Eine PDF enthält überhaupt keine Formeln — nur das bereits berechnete Ergebnis —, deshalb wandern Werte hinüber. Verbundene Zellen wandern mit: Text, der mehrere Spalten wesentlich abdeckt, gilt als verbunden, sein Wert bleibt in der ersten davon, im Raster ist diese Zelle hervorgehoben und gedehnt, und die .xlsx bekommt eine echte Verbindung. Zuvor landete solcher Text stillschweigend in der Spalte, in die seine Mitte fiel.

XLSX legt jede gefundene Tabelle in eine Mappe, ein Blatt je Tabelle, samt Zelltypen und Verbindungen. CSV kennt keine Typen — dafür öffnet es überall, und es exportiert nun ebenfalls ALLE Tabellen, eine Datei je Tabelle: eine einzelne kommt als eine Datei, mehrere als Ordner oder Archiv. Jede Datei trägt eine Kodierungsmarke.

Das PDF wird im Browser zerlegt: pdf.js liest die Seiten, und die Mappe baut derselbe XLSX-Generator, der in unserem Werkzeug zur Access-Wiederherstellung steckt und Teil für Teil gegen Microsofts eigene Engine geprüft wurde.

Der wird hier verarbeitet. Seiten ohne Textebene werden markiert, und es erscheint die Schaltfläche „Seiten erkennen": das Modell PP-OCRv5 lädt einmal (rund 12 MB), arbeitet auf Ihrem Gerät und braucht danach kein Netz. Der erkannte Text geht in dieselbe Tabellensuche wie eine gewöhnliche PDF — es gibt keine zweite Verarbeitungskette. Ein Unterschied bleibt: ein Scan hat keine gezeichneten Linien, seine Spalten kommen also allein aus den Zwischenräumen.

Ja. Jede Spalte bekommt einen Typ — Zahl, Datum oder Text — und in die Mappe wandern Werte statt Zeichenketten: Summen rechnen, Daten sortieren. Der Typ wird aus der ganzen Spalte bestimmt (ein einzelner Gedankenstrich zwischen Beträgen macht die Spalte nicht zu Text) und im Kopf angezeigt, wo Sie ihn auch überschreiben können. Die Erkennung ist bewusst vorsichtig: „+49 151 12345678" bleibt Text, denn eine in eine Zahl verwandelte Telefonnummer sieht im fertigen Blatt niemand mehr.