استخراج جدول‌های PDF

CSV در اکسل، Google Sheets یا هر ورود داده به پایگاه‌داده باز می‌شود. JSON آرایه‌ای از ردیف‌ها می‌دهد که هر کدام آرایه‌ای از رشته‌های سلول است، برای اسکریپت‌ها و APIها. Markdown جدولی با خط عمودی می‌دهد که می‌توانید در GitHub، ویکی یا مستندات بچسبانید.

هر جدول در فایل جداگانه‌ای با نامی مثل table_1_page3.csv ذخیره می‌شود و همه در filename_tables.zip بسته‌بندی می‌شوند. یک جدول تکی مستقیم به‌صورت filename_table.csv، .json یا .md دانلود می‌شود. اگر ترجیح می‌دهید همهٔ جدول‌ها در یک فایل باشند، از PDF به CSV استفاده کنید.

تشخیص روی لایهٔ متنی سند کار می‌کند. PDFهای اسکن‌شده فقط یک تصویر دارند، پس ابتدا آن‌ها را با OCR PDF پردازش کنید. متنی که فقط به‌خاطر فاصله‌گذاری شبیه جدول است و ساختار جدول ندارد هم ممکن است تشخیص داده نشود.

خیر. هر صفحه جداگانه اسکن می‌شود، پس جدولی که چند صفحه ادامه دارد به‌صورت یک فایل برای هر صفحه صادر می‌شود و شمارهٔ صفحه در نام هر فایل هست. پس از استخراج، تکه‌ها را در یک صفحه‌گسترده به هم بچسبانید.

کل سند همیشه اسکن می‌شود، هرچند شمارهٔ صفحه در نام هر فایل نشان می‌دهد جدول از کجا آمده است. برای محدود کردن اسکن، ابتدا صفحه‌های موردنیاز را با استخراج صفحات ذخیره کنید و این ابزار را روی فایل کوچک‌تر اجرا کنید.

بله. سلول‌هایی که ویرگول، نقل‌قول یا خط جدید دارند در دابل‌کوت قرار می‌گیرند و نقل‌قول‌های داخلی دوبار نوشته می‌شوند، تا نرم‌افزار صفحه‌گسترده آن‌ها را درست بخواند. سلول‌های خالی به‌صورت فیلد خالی نوشته می‌شوند.

اگر فایل برای باز شدن به رمز عبور نیاز داشته باشد، پیش از شروع استخراج از شما پرسیده می‌شود و جدول‌ها از نسخهٔ رمزگشایی‌شده در حافظه خوانده می‌شوند.

خیر. موتور تشخیص (PyMuPDF کامپایل‌شده به WebAssembly) اولین باری که استفاده می‌کنید از یک CDN دانلود می‌شود و سپس داخل مرورگر شما اجرا می‌شود. PDF شما روی دستگاهتان می‌ماند.