Extraer tablas de PDF

El CSV se abre en Excel, Google Sheets o cualquier importación de bases de datos. JSON da una matriz de filas, cada una con una matriz de cadenas de celdas, para scripts y API. Markdown da una tabla con barras verticales que puedes pegar en GitHub, una wiki o documentación.

Cada tabla se guarda como su propio archivo, con un nombre como table_1_page3.csv, y todas se agrupan en filename_tables.zip. Una sola tabla se descarga directamente como filename_table.csv, .json o .md. Si prefieres tener todas las tablas en un solo archivo, usa PDF a CSV.

La detección funciona sobre la capa de texto del documento. Los PDF escaneados solo contienen una imagen, así que pásalos primero por OCR PDF. El texto que solo parece una tabla por el espaciado, sin estructura de tabla, también puede pasar sin detectarse.

No. Cada página se analiza por separado, así que una tabla que abarca varias páginas se exporta como un archivo por página, con el número de página en su nombre. Une las partes en una hoja de cálculo después de la extracción.

Siempre se analiza el documento completo, aunque el número de página en cada nombre de archivo te indica de dónde salió una tabla. Para limitar el análisis, guarda primero las páginas que necesites con Extraer páginas y usa esta herramienta con el archivo más pequeño.

Sí. Las celdas que contienen comas, comillas o saltos de línea se encierran entre comillas dobles y las comillas internas se duplican, para que el software de hojas de cálculo las lea correctamente. Las celdas vacías se escriben como campos vacíos.

Si el archivo necesita una contraseña para abrirse, se te pide antes de empezar la extracción, y las tablas se leen de una copia descifrada que se mantiene en memoria.

No. El motor de detección (PyMuPDF compilado a WebAssembly) se descarga desde una CDN la primera vez que lo usas y luego se ejecuta dentro de tu navegador. Tu PDF se queda en tu dispositivo.