Преобразование PDF в CSV возможно, но насколько хорошо оно работает, почти полностью зависит от того, структурированы ли данные в PDF в правильной таблице. Когда это так, результаты превосходны. Если данные представляют собой текст в произвольной форме или отсканированную форму, этот процесс требует нескольких дополнительных шагов.
Когда преобразование PDF в CSV работает хорошо
Преобразование CSV работает лучше всего, когда PDF содержит четко определенную таблицу — строки и столбцы с согласованными данными, такими как сводка счетов, финансовый отчет, инвентарная ведомость или экспортированный отчет. Инструменты, преобразующие PDF в Excel, обычно могут впоследствии экспортировать электронную таблицу в формате CSV, предоставляя вам чистый импортируемый файл.
Собственные цифровые файлы PDF, созданные непосредственно с помощью программного обеспечения, а не отсканированные, преобразуются более точно, чем сканированные документы, поскольку структура таблицы встроена в данные файла, а не выводится из изображения.
Как преобразовать таблицу PDF в CSV
Самый надежный двухэтапный подход — сначала преобразовать PDF в Excel, а затем сохранить таблицу в формате CSV. Загрузите свой PDF в инструмент PDF в Excel компании WukongPDF, загрузите полученный файл .xlsx, откройте его в Excel или Google Sheets и экспортируйте или загрузите в формате CSV.
В Excel перейдите в раздел «Файл» > Сохранить как и выбрать CSV (с разделителями-запятыми) из списка форматов. В Google Таблицах перейдите в раздел «Файл» > Скачать > Значения, разделенные запятыми (.csv). Оба создают стандартный файл CSV, который можно импортировать в любую базу данных, инструмент аналитики или приложение, принимающее входные данные CSV.
Прямое преобразование PDF в CSV Tools
Некоторые инструменты предлагают прямое преобразование PDF в CSV без промежуточного этапа Excel. Tabula — это известная опция с открытым исходным кодом, разработанная специально для извлечения таблиц из PDF в формат CSV или TSV. Он особенно популярен в журналистике данных и исследовательских рабочих процессах, где отчеты PDF необходимо подавать в конвейеры анализа.
Tabula позволяет нарисовать рамку выбора вокруг конкретной таблицы, которую вы хотите извлечь, что помогает, когда страница PDF содержит смешанный контент — таблицу вместе с диаграммами, сносками или основным текстом. Подход к выбору позволяет избежать включения окружающего контента, который может загромождать выходные данные CSV.
Преобразование отсканированных файлов PDF в CSV
Отсканированные файлы PDF требуют оптического распознавания символов, прежде чем можно будет извлечь данные таблицы. Без него инструмент видит изображение, а не таблицу, и не может идентифицировать строки и столбцы. Сначала запустите отсканированный файл PDF с помощью инструмента OCR PDF, чтобы создать версию текстового слоя, а затем подайте выходные данные OCR в преобразователь PDF в Excel или PDF в CSV.
Точность распознавания таблиц зависит от качества сканирования и сложности таблицы. Простые таблицы с четкими границами и одинаковыми интервалами конвертируются без проблем. Плотные таблицы с объединенными ячейками, цветным фоном или непоследовательным выравниванием могут потребовать ручной очистки таблицы после преобразования.
Очистка CSV-файла после преобразования
Даже при хорошем преобразовании CSV-файлы из PDF обычно требуют некоторой очистки, прежде чем их можно будет по-настоящему использовать. Общие проблемы включают дополнительные пустые строки в местах разрывов страниц, строки заголовков, которые повторяются на каждой странице PDF и теперь появляются несколько раз, числа, которые были вставлены в виде текстовых строк, а также символы валют или запятые внутри числовых полей, которые нарушают вычисления.
Открытие CSV-файла в приложении для работы с электронными таблицами и его быстрый просмотр перед импортом в базу данных или инструмент аналитики экономит время по сравнению с отладкой ошибок импорта постфактум.