Конвертер PDF у Excel із перевіркою сітки

Є дві різні причини, і інструмент їх розрізняє. Якщо PDF не має текстового шару (сторінки збережені як зображення) — читати нічого; такі сторінки позначаються і потребують розпізнавання. Якщо текст є, але структури немає, рядки йдуть суцільним стовпцем — це проза, а не таблиця. Інструмент навмисно відмовляється видавати одностовпцевий список за таблицю: аркуш, заповнений таким шумом, гірший за чесне «нічого не знайдено».

Поправте просто в сітці, там, де помилився детектор. У кожного стовпця в шапці є меню «⋯»: обʼєднати з наступним, розділити за найширшим проміжком, видалити, задати тип. Клік по номеру рядка видаляє рядок. Раніше ці операції працювали тільки з ОСТАННІМИ стовпцями — на девʼятиколонковій накладній з помилкою посередині вони були марні, хоч виглядали робочими.

Бо у реальній таблиці ліві краї не збігаються. У нашому власному тестовому рахунку середній стовпець починається в 143, 155 і 152, а правий — у 198, 184 і 184: числа вирівняні праворуч, заголовки — ліворуч. Кластеризація за лівим краєм із будь-яким допуском або розбиває один стовпець на три, або зливає три в один. Стабільним є порожній проміжок МІЖ стовпцями — і саме його використовує аналізатор.

Формул у PDF немає взагалі — там записано вже порахований результат, тому переносяться значення. А от обʼєднані комірки переносяться: якщо текст матеріально закриває кілька стовпців, він вважається обʼєднаним, значення лишається в першому з них, у сітці така комірка підсвічена і розтягнута, а в XLSX іде справжнє обʼєднання. Раніше такий текст мовчки падав у стовпець, де опинилася його середина.

XLSX збирає всі знайдені таблиці в одну книгу, по аркушу на таблицю, і несе типи комірок та обʼєднання. CSV типів не знає — зате відкривається чим завгодно; він теж вивантажує ВСІ таблиці, по файлу на таблицю: одна таблиця приходить одним файлом, кілька — текою або архівом. Кожен файл віддається з міткою кодування.

PDF обробляється у вашому браузері: pdf.js читає сторінки, а книга збирається тим самим генератором XLSX, що використовується в нашому інструменті відновлення баз даних Access, — перевіреним частина за частиною на відповідність власному рушієві Microsoft.

Він розбереться тут же. Сторінки без текстового шару відмічаються, і зʼявляється кнопка «Розпізнати сторінки»: модель PP-OCRv5 завантажується один раз (близько 12 МБ), працює на вашому пристрої і далі не потребує мережі. Розпізнаний текст іде в той самий пошук таблиць, що й звичайний PDF. Різниця одна: у скані немає намальованих ліній, тому стовпці відновлюються лише за проміжками.

Так. Кожен стовпець отримує тип — число, дата або текст, — і в книгу їдуть значення, а не рядки: суми рахуються, дати сортуються. Тип визначається за стовпцем цілком і показаний у його шапці, там же його можна перепризначити. Розбір навмисно обережний: «+380 99 123 45 67» лишається текстом, бо перетворити телефон на число — це втрата, яку в готовому аркуші вже не побачити.