Chuyển PDF sang Excel

Cách khôi phục lưới bảng từ thứ vốn không có lưới

PDF không chứa bảng. Nó chứa các ký tự tại những tọa độ, còn những đường kẻ trông như bảng chỉ là hình vẽ, không liên quan gì đến chữ bên trong. Vì vậy lưới bảng phải được suy ra, theo hai quy tắc đáng biết chính xác. Hàng được xác định từ các đường cơ sở chung, với vị trí dọc được làm tròn vào các khoảng bốn point để chữ số mũ hay ký hiệu tiền tệ hơi nhô lên không tạo thành một hàng riêng. Cột được xác định bằng cách thu thập mọi mép trái khác nhau trên trang và gộp bất kỳ hai mép nào cách nhau trong vòng tám point — làm trên toàn trang chứ không theo từng hàng, nên một cột tình cờ trống ở một dòng vẫn giữ đúng vị trí ở các dòng khác.

Đó là lý do số căn phải là trường hợp khó, và cần nói thẳng vì đây là điều gây thất vọng phổ biến nhất ở đây. Một cột số căn phải có mép trái khác nhau ở mỗi hàng — 9.99 bắt đầu xa về bên phải hơn nhiều so với 1,234,567.89 — và khi các mép đó chênh nhau hơn tám point, chúng bị đọc thành các cột khác nhau. Vì vậy một bảng tài chính có thể bị trải ra nhiều cột mà lẽ ra chỉ là một. Cột căn trái và căn giữa không gặp vấn đề này. Hai đoạn chữ rơi vào cùng một ô sẽ được nối với nhau bằng một dấu cách chứ không cái nào ghi đè lên cái nào.

Kiểu dữ liệu của ô được xác định khi xuất: bất cứ thứ gì đọc gọn gàng thành số đều được ghi là số và cộng được, còn lại được ghi là văn bản. Các ký hiệu kế toán thông thường thì không đọc được thành số — dấu phân cách hàng nghìn, dấu phần trăm ở cuối, ký hiệu tiền tệ, hay số âm viết trong ngoặc như (1,234) — nên các ô đó ra thành văn bản trông như số nhưng không cộng được. Tính năng Text to Columns của chính Excel sửa cả một cột như vậy chỉ trong một lần.

Mỗi trang thành một trang tính riêng, đặt tên Page 1, Page 2 và cứ thế tiếp tục, thay vì được nối thành một bảng liền mạch — bảng dài ba trang sẽ ra thành ba trang tính với tiêu đề bảng lặp lại. Chỉ có giá trị được mang sang. Công thức vốn không bao giờ có trong PDF để khôi phục, còn màu nền, đường viền, phông chữ, ô gộp và biểu đồ được cố ý không dựng lại, vì đoán chúng sẽ tạo ra một bảng tính trông rất đáng tin nhưng sai một cách khó nhận ra.

Khi bạn cần công cụ khác

Trích xuất bảng là một bài toán nghiên cứu thực sự, và có những công cụ chỉ chuyên làm việc đó. Tabula là lựa chọn khi bảng có kẻ dòng: nó đọc các đường kẻ làm lưới thay vì suy ra lưới từ vị trí chữ, nhờ đó giải quyết triệt để trường hợp số căn phải. Nó miễn phí, có giao diện trỏ và nhấn, và xuất ra CSV. Camelot làm điều tương tự bằng Python với cả chế độ lattice cho bảng có kẻ dòng và chế độ stream cho bảng không kẻ dòng, đồng thời cho biết mức độ tin cậy của kết quả.

Khi bố cục đơn giản và bạn chỉ cần đọc được, pdftotext -layout in.pdf out.txt của Poppler giữ khoảng cách cột dưới dạng văn bản thuần, mở thẳng vào bảng tính như dữ liệu độ rộng cố định và bỏ qua hoàn toàn bước suy luận. Còn nếu PDF là bản scan thì không điều gì ở đây áp dụng được — không có chữ để xác định vị trí, và cần OCR trước.