PDF in Excel umwandeln

Wie aus etwas ohne Raster ein Raster wird

Ein PDF enthält keine Tabelle. Es enthält Zeichen an Koordinaten, und die Linien, die wie eine Tabelle aussehen, sind gezeichnete Grafik ohne Verbindung zum Text darin. Das Raster wird also erschlossen, nach zwei Regeln, die man genau kennen sollte. Zeilen ergeben sich aus gemeinsamen Grundlinien, wobei die vertikale Position in Vier-Punkt-Stufen gerundet wird, damit ein hochgestelltes Zeichen oder ein leicht angehobenes Währungssymbol keine eigene Zeile beginnt. Spalten entstehen, indem jede unterschiedliche linke Kante auf der Seite gesammelt wird und je zwei, die weniger als acht Punkt auseinanderliegen, zusammengelegt werden – über die ganze Seite statt Zeile für Zeile, sodass eine Spalte, die in einer Zeile zufällig leer ist, in den anderen ihren Platz behält.

Deshalb sind rechtsbündige Zahlen der schwierige Fall, und das sollte man klar sagen, weil es hier die häufigste Enttäuschung ist. Eine rechtsbündige Zahlenspalte hat in jeder Zeile eine andere linke Kante – 9.99 beginnt weit rechts von 1,234,567.89 –, und sobald diese Kanten mehr als acht Punkt auseinanderliegen, werden sie als unterschiedliche Spalten gelesen. Eine Finanztabelle kann daher über mehrere Spalten verteilt ankommen, die eigentlich eine sein sollten. Links ausgerichtete und zentrierte Spalten haben dieses Problem nicht. Zwei Textstücke, die tatsächlich in derselben Zelle landen, werden mit einem Leerzeichen verbunden, statt dass eines das andere überschreibt.

Zellen bekommen beim Schreiben einen Typ: Alles, was sich sauber als Zahl auswerten lässt, wird als Zahl geschrieben und lässt sich summieren, alles andere wird als Text geschrieben. Die üblichen Buchhaltungs-Verzierungen lassen sich nicht auswerten – ein Tausendertrennzeichen, ein nachgestelltes Prozentzeichen, ein Währungssymbol oder ein negativer Wert in Klammern wie (1,234) –, solche Zellen kommen also als Text an, der nach Zahl aussieht und sich nicht addieren lässt. Die Excel-Funktion „Text in Spalten“ behebt eine ganze Spalte davon in einem Durchgang.

Jede Seite wird zu einem eigenen Tabellenblatt namens „Page 1“, „Page 2“ und so weiter, statt zu einer durchgehenden Tabelle zusammengesetzt zu werden – eine dreiseitige Tabelle kommt als drei Tabellenblätter mit wiederholter Kopfzeile an. Übernommen werden nur Werte. Formeln waren nie im PDF, um sie wiederherzustellen, und Füllfarben, Rahmen, Schriften, verbundene Zellen und Diagramme werden bewusst nicht rekonstruiert, weil Raten eine Tabelle ergibt, die verlässlich aussieht und im Detail falsch ist.

Wenn Sie etwas anderes brauchen

Tabellenextraktion ist ein echtes Forschungsproblem, und es gibt Tools, die nichts anderes tun. Tabula ist die richtige Wahl, wenn die Tabellen Linien haben: Es liest die gezeichneten Linien als Raster, statt eines aus Textpositionen zu erschließen, und löst damit den Fall der rechtsbündigen Zahlen vollständig. Es ist kostenlos, hat eine Oberfläche zum Klicken und exportiert CSV. Camelot macht dasselbe aus Python heraus, mit einem Lattice-Modus für Tabellen mit Linien und einem Stream-Modus für solche ohne, und sagt Ihnen, wie sicher es sich ist.

Wenn das Layout einfach ist und Sie es nur lesbar haben möchten, behält pdftotext -layout in.pdf out.txt von Poppler die Spaltenabstände als Nur-Text bei, der sich direkt als Daten mit fester Breite in einer Tabellenkalkulation öffnen lässt und das Erschließen ganz überspringt. Und wenn das PDF ein Scan ist, gilt nichts davon – es gibt keinen Text zum Positionieren, und es braucht zuerst OCR.