Convertir un PDF en Excel

Comment retrouver une grille dans ce qui n'en a pas

Un PDF ne contient pas de tableau. Il contient des caractères à des coordonnées, et les traits qui ressemblent à un tableau sont des dessins sans aucun lien avec le texte qu'ils entourent. La grille est donc déduite, selon deux règles qu'il vaut la peine de connaître précisément. Les lignes proviennent des lignes de base communes, la position verticale étant arrondie par tranches de quatre points pour qu'un exposant ou un symbole monétaire légèrement surélevé ne crée pas sa propre ligne. Les colonnes proviennent de la collecte de tous les bords gauches distincts de la page, en fusionnant ceux qui sont à moins de huit points l'un de l'autre — sur toute la page et non ligne par ligne, si bien qu'une colonne vide sur une ligne garde sa place sur les autres.

C'est pourquoi les nombres alignés à droite sont le cas difficile, et il faut le dire clairement, car c'est la déception la plus fréquente ici. Dans une colonne de chiffres alignés à droite, le bord gauche change à chaque ligne — 9,99 commence bien plus à droite que 1 234 567,89 — et dès que ces bords diffèrent de plus de huit points, ils sont lus comme des colonnes différentes. Un tableau financier peut donc arriver réparti sur plusieurs colonnes qui devraient n'en faire qu'une. Les colonnes alignées à gauche ou centrées n'ont pas ce problème. Deux textes qui tombent dans la même cellule sont réunis avec une espace, sans que l'un écrase l'autre.

Les cellules sont typées à la sortie : tout ce qui se lit proprement comme un nombre est écrit comme un nombre et s'additionne, tout le reste est écrit comme du texte. Les décorations comptables habituelles ne passent pas — un séparateur de milliers, un signe de pourcentage final, un symbole monétaire, ou un nombre négatif écrit entre parenthèses comme (1 234) —, si bien que ces cellules arrivent sous forme de texte qui a l'air numérique mais refuse de s'additionner. La fonction Convertir (texte en colonnes) d'Excel corrige toute une colonne de ce type en une seule passe.

Chaque page devient sa propre feuille, nommée Page 1, Page 2 et ainsi de suite, au lieu d'être assemblée en un seul tableau continu — un tableau de trois pages arrive en trois feuilles, avec l'en-tête répété. Seules les valeurs sont reprises. Les formules n'ont jamais été dans le PDF, il n'y a rien à récupérer, et les couleurs de remplissage, bordures, polices, cellules fusionnées et graphiques ne sont volontairement pas reconstruits, car les deviner produit une feuille de calcul qui a l'air fiable mais qui est subtilement fausse.

Si vous cherchez autre chose

L'extraction de tableaux est un vrai sujet de recherche, et certains outils ne font que cela. Tabula est celui qu'il vous faut quand les tableaux ont des lignes tracées : il lit les traits dessinés comme la grille au lieu d'en déduire une à partir de la position du texte, ce qui règle d'emblée le cas des nombres alignés à droite. Il est gratuit, s'utilise à la souris et exporte en CSV. Camelot fait la même chose depuis Python, avec un mode lattice pour les tableaux à lignes tracées et un mode stream pour les autres, et vous indique son niveau de confiance.

Quand la mise en page est simple et que vous voulez seulement un résultat lisible, pdftotext -layout in.pdf out.txt de Poppler conserve l'espacement des colonnes en texte brut, qui s'ouvre directement dans un tableur comme données à largeur fixe et évite toute déduction. Et si le PDF est un scan, rien de tout cela ne s'applique — il n'y a aucun texte à positionner, et il faut d'abord passer par l'OCR.