Kontrol edebileceğiniz tablolu PDF’den Excel’e dönüştürme

İki farklı neden var ve araç bunları ayırt eder. PDF’de metin katmanı yoksa (sayfalar resim olarak kaydedilmişse) okunacak bir şey yoktur — bu sayfalar işaretlenir ve önce tanıma gerekir. Metin var ama yapı yoksa satırlar tek sütun halinde ilerler; bu tablo değil, düz yazıdır. Araç tek sütunlu bir listeyi tablo diye göstermeyi bilerek reddeder: böyle bir gürültüyle dolu sayfa, dürüst bir “bulunamadı” yanıtından daha kötüdür.

Tabloda, algılayıcının yanıldığı yerde düzeltin. Her sütun başlığında bir “⋯” menüsü var: sonrakiyle birleştir, en geniş boşlukta böl, sil, türü ayarla. Satır numarasına tıklamak satırı siler. Bu işlemler eskiden yalnızca SON sütunlarda çalışıyordu — ortasında hata olan dokuz sütunlu bir faturada çalışıyormuş gibi görünüp işe yaramıyordu.

Çünkü gerçek bir tabloda sol kenarlar hizalanmaz. Kendi test faturamızda orta sütun 143, 155 ve 152’de, sağdaki 198, 184 ve 184’te başlıyor: sayılar sağa, başlıklar sola hizalı. Herhangi bir toleransla sol kenar kümelemesi ya tek sütunu üçe böler ya da üç sütunu bire indirir. Sabit olan, sütunların ARASINDAKİ boş koridordur ve ayrıştırma bunu kullanır.

PDF’de hiç formül yoktur — yalnızca hesaplanmış sonuç vardır — bu yüzden değerler aktarılır. Birleştirilmiş hücreler ise aktarılır: birkaç sütunu fiilen kaplayan metin birleştirilmiş sayılır, değeri ilk sütunda kalır, tabloda o hücre uzatılmış ve vurgulanmış görünür ve .xlsx dosyasına gerçek bir birleştirme yazılır. Buna kadar böyle metin, orta noktası hangi sütuna düşerse oraya sessizce giriyordu — kelimelerin uzunluğuna göre A veya B, tahmin etmenin yolu yoktu.

XLSX bulunan her tabloyu tek bir çalışma kitabına koyar, tablo başına bir sayfa, hücre türleri ve birleştirmelerle birlikte. CSV tür bilmez — ama her yerde açılır ve artık TÜM tabloları da dışa aktarır, tablo başına bir dosya: tek tablo tek dosya, birkaç tablo klasör ya da arşiv olarak gelir. Her dosyada bir kodlama işareti bulunur; bu olmadan Excel Kiril harflerini anlamsız karakterler olarak okur.

PDF tarayıcınızda ayrıştırılır: sayfaları pdf.js okur, çalışma kitabını ise Access veritabanı kurtarma aracımızda kullanılan aynı XLSX üreticisi oluşturur ve bu üretici Microsoft’un kendi motoruna karşı parça parça doğrulanmıştır.

Burada işlenir. Metin katmanı olmayan sayfalar işaretlenir ve “Sayfaları tanı” düğmesi çıkar: PP-OCRv5 modeli bir kez indirilir (yaklaşık 12 MB), cihazınızda çalışır ve sonrasında ağa ihtiyaç duymaz. Tanınan metin sıradan bir PDF ile aynı tablo aramasına girer — ikinci bir işlem hattı yoktur. Tek fark kalır: taramada çizilmiş çizgi yoktur, bu yüzden sütunlar yalnızca boşluklardan gelir ve tablonun altındaki not bunu söyler.

Evet. Her sütuna bir tür verilir — sayı, tarih veya metin — ve çalışma kitabına metin değil değerler yazılır, bu yüzden toplamlar tutar ve tarihler sıralanır. Tür sütunun bütününe bakılarak belirlenir (tutarlar arasındaki tek bir çizgi sütunu metne çevirmez) ve başlıkta gösterilir; orada değiştirebilirsiniz de. Ayrıştırma bilerek temkinlidir: “+7 999 123 45 67” metin olarak kalır, çünkü telefon numarasını sayıya çevirmek bitmiş bir tabloda fark edemeyeceğiniz bir kayıptır.