PDF به CSV

تشخیص جدول PyMuPDF را روی هر صفحه اجرا می‌کند که دنبال خط‌های جداکننده و متن هم‌ترازی می‌گردد که جدول را می‌سازند. هر جدولی که پیدا کند ردیف به ردیف در CSV نوشته می‌شود و همهٔ صفحه‌ها در یک گذر اسکن می‌شوند.

همهٔ آن‌ها به ترتیب صفحه در یک فایل .csv نوشته می‌شوند، با ردیف‌های یک جدول پس از ردیف‌های جدول قبلی و بدون جداکننده میان آن‌ها. اگر هر جدول را در فایل یا برگهٔ جداگانه می‌خواهید، به‌جای آن از PDF به Excel استفاده کنید.

معمولاً PDF داده‌هایش را با فاصله‌ها و تب‌هایی چیده که فقط شبیه جدول‌اند و ساختار موردنیاز آشکارساز را ندارند، یا صفحه اسکنی بدون لایهٔ متنی است. برای اسکن‌ها ابتدا OCR PDF را اجرا کنید تا متنی برای تشخیص وجود داشته باشد.

سلول‌هایی که ویرگول، گیومهٔ مضاعف یا خط جدید دارند داخل گیومهٔ مضاعف قرار می‌گیرند و گیومه‌های داخل آن‌ها دوبرابر می‌شوند، طبق RFC 4180. فایل با UTF-8 ذخیره می‌شود، پس نویسه‌های دارای نشانه و خط‌های غیرلاتین سالم به صفحه‌گسترده می‌رسند.

خیر. CSV متن ساده است، پس متن درشت، رنگ‌ها، سلول‌های ادغام‌شده و عرض ستون‌ها کنار گذاشته می‌شوند و فقط مقدار سلول‌ها می‌ماند. اعداد به‌صورت همان متنی که در PDF نشان داده شده، از جمله نمادهای ارز یا جداکنندهٔ هزارگان، خروجی گرفته می‌شوند.

پس از بارگذاری گذرواژه از شما پرسیده می‌شود و پس از وارد کردن آن استخراج ادامه می‌یابد. گذرواژه فقط برای باز کردن فایل در مرورگر شما استفاده می‌شود.

خیر. موتور تشخیص جدول به‌صورت WebAssembly در مرورگر شما بارگذاری می‌شود و CSV به‌صورت محلی تولید می‌شود، پس سند هرگز از دستگاه شما خارج نمی‌شود. اجرای اول کمی بیشتر طول می‌کشد تا موتور بارگذاری شود.

دوبار کلیک روی فایل در بیشتر تنظیمات کار می‌کند، چون ابزار از جداکنندهٔ استاندارد ویرگول استفاده می‌کند. اگر Excel شما روی محلی تنظیم شده که نقطه‌ویرگول می‌خواهد، از Data > From Text/CSV استفاده کنید و ویرگول را به‌عنوان جداکننده انتخاب کنید.