Conversor de PDF para Excel com grade conferível

São dois motivos diferentes e a ferramenta os distingue. Se o PDF não tem camada de texto (as páginas foram salvas como imagens) não há o que ler — essas páginas são marcadas e precisam de reconhecimento antes. Se há texto mas não há estrutura, as linhas seguem em uma coluna só, ou seja, é prosa e não tabela. A ferramenta se recusa de propósito a fazer uma lista de uma coluna passar por tabela: uma planilha cheia desse ruído é pior que um honesto «nada encontrado».

Corrija na grade, no ponto em que o detector errou. Cada cabeçalho de coluna traz um menu «⋯»: juntar com a próxima, dividir no intervalo mais largo, excluir, definir o tipo. Clicar no número da linha exclui a linha. Antes estas operações só agiam nas ÚLTIMAS colunas — numa fatura de nove colunas com o erro no meio eram inúteis, embora parecessem funcionar.

Porque numa tabela de verdade as bordas esquerdas não coincidem. No nosso próprio orçamento de teste a coluna do meio começa em 143, 155 e 152 e a da direita em 198, 184 e 184: números à direita, cabeçalhos à esquerda. Agrupar pela borda esquerda, com qualquer tolerância, ou parte uma coluna em três ou funde três em uma. O que é estável é o corredor vazio ENTRE as colunas, e é com isso que a análise trabalha.

Um PDF não guarda fórmulas — apenas o resultado já calculado —, portanto o que passa são os valores. As células mescladas passam: texto que cobre de forma apreciável várias colunas é tratado como mesclado, o seu valor fica na primeira, na grade essa célula aparece esticada e destacada, e o .xlsx recebe uma mesclagem real. Antes esse texto caía em silêncio na coluna onde estivesse o seu meio.

XLSX junta todas as tabelas encontradas num livro, uma folha por tabela, com tipos de célula e mesclagens. O CSV não conhece tipos — mas abre em qualquer lado, e agora também exporta TODAS as tabelas, um ficheiro por tabela: uma só chega como um ficheiro, várias como pasta ou arquivo. Cada ficheiro leva a sua marca de codificação.

O PDF é analisado no seu navegador: o pdf.js lê as páginas, e a pasta é montada pelo mesmo gerador de XLSX usado na nossa ferramenta de recuperação de bancos Access, conferido parte por parte contra o motor da Microsoft.

É tratado aqui mesmo. As páginas sem camada de texto são assinaladas e aparece o botão «Reconhecer as páginas»: o modelo PP-OCRv5 baixa uma vez (cerca de 12 MB), corre no seu dispositivo e depois não precisa de rede. O texto reconhecido entra na mesma busca de tabelas de um PDF comum — não há uma segunda linha de processamento. Fica uma diferença: um digitalizado não tem linhas desenhadas, por isso as colunas vêm apenas dos intervalos.

Vão. Cada coluna recebe um tipo — número, data ou texto — e ao livro vão valores, não cadeias de texto: as somas somam e as datas ordenam. O tipo é decidido pela coluna inteira (um travessão solto entre valores não a torna texto) e é mostrado no cabeçalho, onde também pode ser forçado. A leitura é propositadamente cautelosa: «+351 912 345 678» fica como texto, porque transformar um telefone em número é uma perda que já não se vê na folha pronta.