تحويل PDF إلى Excel

كيف تُستعاد شبكة من شيء لا شبكة فيه

لا يحتوي ملف PDF على جدول. بل يحتوي على أحرف عند إحداثيات، والخطوط التي تبدو كجدول رسومات مرسومة لا صلة لها بالنص الذي بداخلها. لذا تُستنتج الشبكة، بقاعدتين تستحقان أن تعرفهما بدقة. الصفوف تأتي من خطوط الأساس المشتركة، مع تقريب الموضع الرأسي إلى فئات من أربع نقاط حتى لا يبدأ حرف مرتفع أو رمز عملة مرتفع قليلًا صفًا خاصًا به. الأعمدة تأتي من جمع كل حافة يسرى مميزة في الصفحة ودمج أي حافتين تقعان على بُعد ثماني نقاط أو أقل من بعضهما — ويُفعل ذلك على مستوى الصفحة كلها لا صفًا صفًا، فيحتفظ العمود الذي يصادف أنه فارغ في سطر ما بمكانه في الأسطر الأخرى.

ولهذا تكون الأرقام المحاذاة إلى اليمين هي الحالة الصعبة، ويستحق هذا أن يُقال بوضوح لأنه أكثر خيبات الأمل شيوعًا هنا. عمود الأرقام المحاذى إلى اليمين له حافة يسرى مختلفة في كل صف — فالرقم 9.99 يبدأ أبعد بكثير إلى اليمين من 1,234,567.89 — وبمجرد أن تختلف تلك الحواف بأكثر من ثماني نقاط تُقرأ كأعمدة مختلفة. لذا قد يصل جدول مالي موزعًا على عدة أعمدة كان ينبغي أن تكون عمودًا واحدًا. أما الأعمدة المحاذاة إلى اليسار والمتوسطة فلا تعاني هذه المشكلة. وإذا وقع جزءان من النص في الخلية نفسها فإنهما يُضمّان بمسافة بدلًا من أن يكتب أحدهما فوق الآخر.

تُحدَّد أنواع الخلايا عند الإخراج: كل ما يُقرأ بوضوح كرقم يُكتب كرقم ويمكن جمعه، وكل ما عدا ذلك يُكتب كنص. أما زخارف المحاسبة المعتادة فلا تُقرأ كأرقام — فاصل الآلاف، وعلامة النسبة المئوية في النهاية، ورمز العملة، أو الرقم السالب المكتوب بين قوسين مثل (1,234) — فتصل هذه الخلايا كنص يبدو رقميًا ويرفض أن يُجمع. وأداة «النص إلى أعمدة» في Excel نفسه تصلح عمودًا كاملًا منها دفعة واحدة.

تصبح كل صفحة ورقة مستقلة، باسم Page 1 وPage 2 وهكذا، بدلًا من دمجها في جدول واحد متصل — فالجدول الممتد على ثلاث صفحات يصل في ثلاث أوراق مع تكرار صف العناوين. وما ينتقل هو القيم فقط. فالصيغ لم تكن موجودة في ملف PDF أصلًا كي تُستعاد، وألوان التعبئة والحدود والخطوط والخلايا المدمجة والمخططات لا يُعاد بناؤها عمدًا، لأن تخمينها ينتج جدول بيانات يبدو موثوقًا وهو خاطئ بطرق خفية.

عندما تحتاج إلى شيء آخر

استخراج الجداول مشكلة بحثية حقيقية، وهناك أدوات لا تفعل شيئًا غيره. Tabula هي الأداة التي تلجأ إليها حين تكون الجداول مسطّرة: فهي تقرأ الخطوط المرسومة كشبكة بدلًا من استنتاجها من مواضع النص، وهذا يحل مشكلة الأرقام المحاذاة إلى اليمين تمامًا. إنها مجانية، ولها واجهة تعمل بالنقر، وتصدّر إلى CSV. وCamelot تفعل الشيء نفسه من Python، مع وضع lattice للجداول المسطّرة ووضع stream لغير المسطّرة، وتخبرك بمدى ثقتها في النتيجة.

وحين يكون التخطيط بسيطًا وكل ما تريده أن يكون مقروءًا، فإن الأمر pdftotext -layout in.pdf out.txt من Poppler يحافظ على تباعد الأعمدة كنص عادي، يُفتح مباشرة في جدول بيانات كبيانات ثابتة العرض، ويتخطى الاستنتاج كليًا. وإن كان ملف PDF ممسوحًا ضوئيًا، فلا ينطبق شيء مما سبق — لا يوجد نص لتحديد موضعه، ويحتاج إلى OCR أولًا.