Конвертер PDF в Excel с проверкой таблицы

Есть две разные причины, и инструмент их различает. Если в PDF нет текстового слоя (страницы сохранены как картинки), читать нечего — такие страницы отмечаются, и их надо сначала распознать. Если текст есть, но структуры нет — строки идут одним столбцом, то есть это проза, а не таблица. Инструмент намеренно не выдаёт одноколоночный список за таблицу: лист, полный такого шума, хуже честного «не нашлось».

Поправьте прямо в сетке, в том месте, где ошибся детектор. У каждого столбца в шапке есть меню «⋯»: объединить со следующим, разделить по самому широкому промежутку, удалить, задать тип. Клик по номеру строки удаляет строку. Раньше эти операции работали только с ПОСЛЕДНИМИ столбцами — на девятиколоночной накладной с ошибкой посередине они были бесполезны, хотя выглядели рабочими.

Потому что в настоящей таблице левые края не совпадают. В нашей же тестовой смете средний столбец начинается на 143, 155 и 152, а правый — на 198, 184 и 184: числа выровнены вправо, заголовки влево. Кластеризация по левому краю с любым допуском либо разрежет один столбец на три, либо сольёт три в один. Устойчив только пустой коридор МЕЖДУ столбцами — по нему и работает разбор.

Формул в PDF нет вообще — там записан уже посчитанный результат, поэтому переносятся значения. А вот объединённые ячейки переносятся: если текст материально закрывает несколько столбцов, он считается объединённым, значение остаётся в первом из них, в сетке такая ячейка подсвечена и растянута, и в XLSX уходит настоящее объединение. Раньше такой текст молча падал в столбец, где оказалась его середина, — то есть в А или в Б в зависимости от длины слов, и предугадать это было нельзя.

XLSX собирает все найденные таблицы в одну книгу, по листу на таблицу, и несёт типы ячеек и объединения. CSV типов не знает — зато открывается чем угодно; он тоже выгружает ВСЕ таблицы, по файлу на таблицу: одна таблица приходит одним файлом, несколько — папкой или архивом. Каждый файл отдаётся с меткой кодировки, без неё Excel читает кириллицу как набор символов.

Разбор PDF выполняется в браузере: страницы читает pdf.js, а книгу собирает тот же генератор XLSX, что используется в нашем инструменте восстановления баз Access и сверен по частям с движком Microsoft.

Он разберётся здесь же. Страницы без текстового слоя отмечаются отдельно, и появляется кнопка «Распознать страницы»: модель PP-OCRv5 скачивается один раз (около 12 МБ), работает на вашем устройстве и дальше не требует сети. Распознанный текст идёт в тот же поиск таблиц, что и обычный PDF, — второго конвейера нет. Разница одна: в скане нет нарисованных линий, поэтому столбцы восстанавливаются только по промежуткам между ними, и об этом написано прямо под сеткой.

Да. Каждый столбец получает тип — число, дата или текст, — и в книгу уезжают значения, а не строки: суммы считаются, даты сортируются. Тип определяется по столбцу целиком (одинокий прочерк среди сумм не делает столбец текстовым) и показан в его шапке; там же его можно переназначить вручную. Разбор намеренно осторожен: «+7 999 123 45 67» остаётся текстом, потому что превратить телефон в число — это потеря, которую в готовом листе уже не увидеть.