Converter PDF em Excel

Como uma grade é recuperada de algo que não tem nenhuma

Um PDF não contém uma tabela. Ele contém caracteres em coordenadas, e as linhas que parecem uma tabela são desenhos sem ligação com o texto dentro delas. Então a grade é deduzida, por duas regras que vale conhecer com exatidão. As linhas vêm das linhas de base em comum, com a posição vertical arredondada em faixas de quatro pontos, para que um sobrescrito ou um símbolo de moeda um pouco mais alto não comece uma linha própria. As colunas vêm de reunir todas as margens esquerdas distintas da página e juntar quaisquer duas que estejam a menos de oito pontos uma da outra — na página inteira, e não linha por linha, para que uma coluna que por acaso esteja vazia em uma linha continue ocupando o seu lugar nas outras.

É por isso que números alinhados à direita são o caso difícil, e vale dizer isso com clareza, porque é a decepção mais comum aqui. Uma coluna de valores alinhada à direita tem uma margem esquerda diferente em cada linha — 9,99 começa bem mais à direita que 1.234.567,89 — e, quando essas margens diferem em mais de oito pontos, são lidas como colunas diferentes. Uma tabela financeira pode, então, chegar espalhada por várias colunas que deveriam ser uma só. Colunas alinhadas à esquerda ou centralizadas não têm esse problema. Dois trechos de texto que caem na mesma célula são unidos com um espaço, em vez de um sobrescrever o outro.

As células recebem um tipo na saída: tudo o que é lido sem ambiguidade como número é gravado como número e pode ser somado, e todo o resto é gravado como texto. As decorações contábeis comuns não são lidas — separador de milhar, sinal de porcentagem no final, símbolo de moeda ou um negativo escrito como (1.234) entre parênteses —, então essas células chegam como texto que parece número e se recusa a somar. O próprio recurso Texto para Colunas do Excel corrige uma coluna inteira delas de uma vez.

Cada página vira uma aba própria, chamada Página 1, Página 2 e assim por diante, em vez de ser emendada em uma tabela contínua — uma tabela de três páginas chega como três abas, com o cabeçalho repetido. O que vem são só os valores. As fórmulas nunca estiveram no PDF para serem recuperadas, e cores de preenchimento, bordas, fontes, células mescladas e gráficos de propósito não são reconstruídos, porque adivinhá-los produz uma planilha que parece confiável e está sutilmente errada.

Quando você precisa de outra coisa

A extração de tabelas é um problema de pesquisa de verdade, e existem ferramentas que não fazem outra coisa. O Tabula é o indicado quando as tabelas têm linhas de grade: ele lê as linhas desenhadas como a grade, em vez de deduzi-la pela posição do texto, o que resolve de vez o caso dos números alinhados à direita. É gratuito, tem uma interface de apontar e clicar e exporta CSV. O Camelot faz o mesmo em Python, com um modo lattice para tabelas com linhas de grade e um modo stream para as sem linhas, e ainda informa o quanto está confiante.

Quando o layout é simples e você só quer algo legível, o pdftotext -layout in.pdf out.txt do Poppler preserva o espaçamento das colunas em texto simples, que abre direto em uma planilha como dados de largura fixa e dispensa toda a dedução. E se o PDF for uma digitalização, nada disso se aplica — não há texto para posicionar, e ele precisa de OCR antes.