Extrair tabelas de PDF para Excel

Como passar tabelas de um PDF para o Excel

Um relatório traz uma tabela, e ela precisa ser recalculada em vez de redigitada. A ferramenta faz para isso mais do que o nome sugere: ela não apenas despeja texto, ela monta uma pasta de trabalho com várias planilhas de funções diferentes. Entender como essa pasta é construída compensa antes da primeira tentativa.

O que existe de fato no arquivo baixado

O resultado não é uma planilha de dados. É uma pasta cujas planilhas cumprem papéis distintos.

É pela última linha que tudo acontece. As planilhas de tabelas trazem dados sobre os quais dá para pôr fórmulas. As imagens de página e a planilha de texto são o seguro para o caso de alguma tabela não ter sido detectada: o conteúdo fica diante dos olhos de qualquer jeito.

A planilha de sumário funciona como um índice: o número da página, um link para a planilha dela e a primeira linha do seu texto para orientação. Os links saltam dentro da própria pasta.

Três modos de detecção

O parâmetro de detecção muda como a ferramenta procura as bordas das células, e isso muda o resultado mais do que qualquer outra coisa.

O automático é o padrão. O estrito difere dele em mais do que o rigor com as linhas: ele tira da pasta a planilha de texto e deixa só tabelas e imagens. Faz sentido quando o resultado alimenta outro processamento e planilhas a mais atrapalham.

O flexível é o único modo que enxerga tabelas sem grade. Isso se paga, e o preço é alto.

Ele tem ainda um efeito colateral às vezes mais útil que a função principal: no modo flexível o texto inteiro da página também vai para um comentário anexado à primeira célula da planilha com a imagem. Passando o cursor por cima, lê-se o conteúdo da página sem trocar para a planilha de texto.

O que a medição mostrou

O objeto foi um documento cuja primeira página traz duas tabelas: uma com linhas e outra sem nenhuma, apenas colunas alinhadas.

O automático e o estrito acharam só a primeira e a transportaram impecável: três linhas, três colunas, valores no lugar.

O flexível achou as duas, mas juntou tudo numa única grade e de quebra partiu palavras entre colunas. A palavra «Region» virou duas células, «Re» e «gion». «North» virou «No» e «rth». O número 900 se separou em «9» e «00». Entre as linhas de dados apareceram linhas vazias.

A conclusão prática: comece pelo automático. Se nenhuma tabela aparecer e o documento realmente não tiver linhas, mude para o flexível, mas reserve tempo para montar à mão. Ele dá material, não um resultado pronto.

E o contrário: se a tabela no PDF está desenhada com linhas e o resultado continua vazio, o modo não é o problema. O documento provavelmente não tem camada de texto.

Como transportar a tabela

1. Abra o pdf-to-excel e envie o documento. 2. Deixe a detecção no automático para a primeira tentativa. 3. Rode o processamento e baixe a pasta de trabalho. 4. Abra a planilha de sumário e salte para as planilhas de tabelas. 5. Confira os números de duas ou três linhas com a imagem da página na planilha vizinha. 6. Se nenhuma tabela apareceu, repita no modo flexível.

O quinto ponto existe justamente porque a imagem da página está na mesma pasta. Conferir o que veio com o original nunca exige sair do Excel.

Células mescladas e ordenação

A chave de mesclagem vem ligada. Ela diz respeito às células que na tabela de origem se estendem por várias colunas: ligada, ela as restaura como intervalos mesclados de verdade e reproduz a aparência do original.

Desligada, ela quebra essas células em comuns: o valor fica na primeira e as demais ficam vazias.

Escolha pelo que pretende fazer com os dados.

Se a tabela vai ser lida e impressa, deixe a mesclagem ligada: o resultado bate com o original.

Se os dados vão ser ordenados, filtrados ou levados a uma tabela dinâmica, desligue. O Excel se recusa a ordenar um intervalo com células mescladas e exige que todas tenham o mesmo tamanho. Desfazer as mesclagens à mão depois leva mais tempo do que virar a chave antes.

Por que o arquivo pesa mais do que se espera

Cada página do PDF entra na pasta como planilha própria com uma imagem em tamanho cheio, desenhada com quase o dobro da resolução. Essas imagens formam quase todo o peso do resultado.

Num documento de teste pequeno a diferença salta aos olhos: o PDF de origem pesava 2 KB e a pasta saiu em torno de 45 KB. Em relatórios reais a conta vai em megabytes, e cresce com o número de páginas, não com o de tabelas.

Se só os dados importam e as imagens atrapalham, as planilhas sobrando se apagam no Excel em dois movimentos, e o arquivo emagrece ao ser salvo.

Um escaneamento e uma tabela sem camada de texto

A ferramenta lê texto, não o reconhece. Uma tabela escaneada é imagem para ela: a imagem da página estará na pasta, a planilha de texto sairá vazia e nenhum modo achará tabelas.

O remédio vem antes da conversão: passe o arquivo pelo ocr-pdf, consiga uma camada de texto e só então converta para planilha. A ordem inversa não serve, porque não sobra nada para o Excel reconhecer.

O mesmo truque ajuda com documentos cujo texto existe mas está torto: uma página fotografada de lado é reconhecida pior que uma reta, e endireitá-la antes do reconhecimento muda o resultado de forma perceptível.

Limites, avisos e ferramentas vizinhas

Se a detecção de tabelas falhar em alguma página, a tarefa não cai. A pasta chega inteira e a resposta traz um aviso nomeando essas páginas: delas não sairão tabelas, a imagem e o texto ficam. O mesmo vale para páginas cujo texto não pôde ser lido.

Um documento com senha de abertura não pode ser processado; remova a proteção pelo unlock-pdf. Uma senha que limita apenas a impressão ou a cópia não atrapalha a extração de tabelas.

Quando uma página traz várias tabelas, cada uma recebe a sua planilha, nomeada pelo número da página e pela posição da tabela nela. O Excel limita o tamanho dos nomes de planilha, então rótulos longos são aparados e coincidências separadas por um sufixo numérico.

Se o que você precisa do documento é texto para editar e não tabelas, isso é o pdf-to-word no modo contínuo: lá o mesmo detector as transporta como tabelas do Word de verdade. E devolver a pasta pronta a PDF é o excel-to-pdf.