Конвертировать PDF в Excel

Как восстановить сетку там, где её нет

PDF не содержит таблиц. Он содержит символы в координатах, а линии, похожие на таблицу, — это нарисованная графика, никак не связанная с текстом внутри неё. Поэтому сетка вычисляется — по двум правилам, которые стоит знать точно. Строки берутся из общих базовых линий, причём вертикальная позиция округляется до интервалов в четыре пункта, чтобы верхний индекс или чуть приподнятый символ валюты не начинал собственную строку. Столбцы получаются так: собираются все различные левые края текста на странице, и любые два, отстоящие друг от друга не более чем на восемь пунктов, объединяются, — по всей странице, а не построчно, так что столбец, случайно пустой в одной строке, в остальных сохраняет своё место.

Поэтому самый трудный случай — числа, выровненные по правому краю, и об этом стоит сказать прямо, потому что именно здесь чаще всего разочаровываются. У столбца цифр, выровненных вправо, в каждой строке свой левый край — 9.99 начинается гораздо правее, чем 1,234,567.89, — и как только края расходятся больше чем на восемь пунктов, они читаются как разные столбцы. Поэтому финансовая таблица может оказаться разнесённой по нескольким столбцам там, где должен быть один. У столбцов, выровненных влево или по центру, такой проблемы нет. Два фрагмента текста, которые всё же попадают в одну ячейку, соединяются через пробел, а не затирают друг друга.

На выходе ячейкам назначается тип: всё, что корректно распознаётся как число, записывается числом и будет суммироваться, а всё остальное — текстом. Обычные бухгалтерские украшения не распознаются — разделитель тысяч, знак процента в конце, символ валюты или отрицательное число в скобках вроде (1,234), — поэтому такие ячейки приходят как текст, который выглядит числом, но отказывается суммироваться. Встроенная в Excel функция «Текст по столбцам» исправляет целый столбец таких ячеек за один проход.

Каждая страница становится отдельным листом с именем Page 1, Page 2 и так далее, а не сшивается в одну сплошную таблицу, — трёхстраничная таблица придёт тремя листами с повторяющимся заголовком. Переносятся только значения. Формул в PDF никогда не было, так что восстанавливать нечего, а заливку, границы, шрифты, объединённые ячейки и диаграммы мы намеренно не воссоздаём: если их угадывать, получится таблица, которая выглядит солидно, но незаметно ошибается.

Если нужно другое

Извлечение таблиц — настоящая исследовательская задача, и есть инструменты, которые больше ничем не занимаются. Tabula — то, что нужно, когда у таблиц есть линии: она читает нарисованные линии как сетку, а не вычисляет её по положению текста, и это сразу решает проблему чисел с выравниванием вправо. Она бесплатна, работает мышью и экспортирует в CSV. Camelot делает то же из Python — в режиме lattice для таблиц с линиями и в режиме stream для таблиц без них — и сообщает, насколько уверен в результате.

Когда вёрстка простая и нужно лишь сделать её читаемой, pdftotext -layout in.pdf out.txt из Poppler сохраняет отступы столбцов в виде простого текста, который сразу открывается в электронной таблице как данные фиксированной ширины, — и никакого вычисления сетки не требуется. А если PDF — это скан, ничего из этого не применимо: текста, который можно разместить, нет, и сначала нужен OCR.