Как извлечь таблицы из PDF в Excel

Как перенести таблицы из PDF в Excel

В отчёте есть таблица, и её нужно посчитать заново, а не перепечатывать. Инструмент делает для этого больше, чем можно предположить по названию: он не просто выдаёт текст, а собирает книгу из нескольких листов разного назначения. Понимать её устройство полезно до первого запуска.

Что на самом деле лежит в скачанном файле

Результат — не один лист с данными. Это книга, в которой листы играют разные роли.

Ради последней строки всё и затевается. Листы с таблицами содержат данные, с которыми можно работать формулами. Изображения страниц и лист текста — подстраховка на случай, если таблица не распозналась: содержимое перед глазами останется в любом случае.

Лист содержания устроен как оглавление: номер страницы, ссылка на её лист и первая строка текста для ориентировки. По ссылкам можно переходить прямо в книге.

Три режима распознавания

Параметр распознавания меняет способ, которым инструмент ищет границы ячеек, и это меняет результат сильнее всего остального.

По умолчанию стоит авто. Строгий режим отличается от него не только придирчивостью к линиям: он выбрасывает из книги лист с текстом, оставляя только таблицы и изображения. Это осмысленно, когда результат идёт в дальнейшую обработку и лишние листы мешают.

Мягкий режим — единственный, который видит таблицы без линеек. За это приходится платить, и цена высока.

Есть у него и побочный эффект, который иногда оказывается полезнее основного: в мягком режиме весь текст страницы дополнительно попадает в примечание к первой ячейке листа с изображением. Наведя курсор, можно прочитать содержимое страницы, не переключаясь на текстовый лист.

Что показал замер

Взят документ, где на первой странице две таблицы: одна с линейками, вторая без них, просто выровненные колонки.

Авто и строгий нашли только первую и перенесли её идеально: три строки, три колонки, значения на местах.

Мягкий нашёл обе, но собрал их в одну сетку и попутно разломал слова по колонкам. Слово «Region» превратилось в две ячейки, «Re» и «gion». «North» стало «No» и «rth». Число 900 разошлось на «9» и «00». Между строками данных появились пустые строки.

Вывод практический. Начинайте с авто. Если таблица не нашлась и в документе действительно нет линеек, переключайтесь на мягкий, но закладывайте время на ручную сборку: он даёт материал, а не готовый результат.

И обратное: если таблица в PDF нарисована с линейками, а результат всё равно пустой, дело не в режиме. Скорее всего, в документе нет текстового слоя.

Как перенести таблицу

1. Откройте pdf-to-excel и загрузите документ. 2. Оставьте распознавание на авто для первой попытки. 3. Запустите обработку и скачайте книгу. 4. Откройте лист содержания и перейдите на листы с таблицами. 5. Сверьте числа в паре строк с изображением страницы на соседнем листе. 6. Если таблиц не оказалось, повторите в мягком режиме.

Пятый пункт нужен именно потому, что изображение страницы лежит в той же книге. Сверять перенесённое с оригиналом можно не выходя из Excel.

Объединение ячеек и сортировка

Переключатель объединения ячеек включён по умолчанию. Он касается ячеек, которые в исходной таблице растянуты на несколько колонок: включённый, он восстанавливает их как настоящие объединённые диапазоны, повторяя вид оригинала.

Выключенный, он разбирает такие ячейки на обычные: значение остаётся в первой, остальные становятся пустыми.

Выбирать нужно по тому, что вы собираетесь делать с данными.

Если таблицу будут читать глазами и печатать, оставьте объединение включённым: результат совпадёт с оригиналом.

Если по данным будут сортировать, фильтровать или строить сводную, выключите. Excel отказывается сортировать диапазон с объединёнными ячейками и требует привести их к одному размеру. Разбирать объединения потом руками дольше, чем выключить переключатель заранее.

Почему файл тяжелее, чем ожидаешь

Каждая страница PDF попадает в книгу отдельным листом с полноразмерным изображением, отрисованным почти с двукратным запасом по разрешению. Именно эти картинки и составляют почти весь вес результата.

На маленьком тестовом документе разница особенно заметна: исходный PDF весил 2 КБ, книга получилась около 45 КБ. На реальных отчётах счёт идёт на мегабайты, и растёт он от числа страниц, а не от числа таблиц.

Если нужны только данные, а изображения мешают, лишние листы удаляются в Excel за пару действий, и файл после сохранения похудеет.

Скан и таблица без текстового слоя

Инструмент читает текст, а не распознаёт его. Отсканированная таблица для него — картинка: изображение страницы в книге будет, лист текста окажется пустым, таблиц не найдётся ни в одном режиме.

Лечится это до конвертации: прогоните файл через ocr-pdf, получите текстовый слой и после этого переводите в таблицу. Порядок обратный бесполезен, в Excel распознавать уже нечего.

Тот же приём помогает и с документами, где текст есть, но кривой: страница, снятая под углом, распознаётся хуже ровной, и выравнивание перед распознаванием заметно меняет результат.

Границы, предупреждения и соседние инструменты

Если поиск таблиц сорвался на какой-то странице, задача не падает. Книга приходит целиком, а в ответе появляется предупреждение с номерами этих страниц: таблиц оттуда не будет, изображение и текст останутся. То же для страниц, с которых не удалось прочитать текст.

Документ под паролем на открытие обработать нельзя, снимите защиту через unlock-pdf. Пароль, ограничивающий печать или копирование, извлечению таблиц не мешает.

Если на одной странице несколько таблиц, каждая получает свой лист с номером страницы и порядковым номером таблицы на ней. Имена листов в Excel ограничены по длине, поэтому длинные подписи подрезаются, а совпадения разводятся числовым суффиксом.

Если из документа нужны не таблицы, а текст для правки, это pdf-to-word в поточном режиме: тот же механизм поиска таблиц там переносит их настоящими таблицами Word. А готовую книгу вернуть в PDF помогает excel-to-pdf.