PDFテーブルの抽出

CSVは、Excel、Googleスプレッドシート、あらゆるデータベースのインポートで開けます。JSONは、スクリプトやAPI向けに、セルの文字列の配列を行ごとにまとめた配列になります。Markdownは、GitHub、Wiki、ドキュメントに貼り付けられるパイプ形式の表になります。

各表は、table_1_page3.csvのような名前の個別のファイルとして保存され、すべてfilename_tables.zipにまとめられます。表が1つだけの場合は、filename_table.csv、.json、.mdとして直接ダウンロードされます。すべての表を1つのファイルにまとめたい場合は、PDFをCSVに変換を使ってください。

検出はドキュメントのテキストレイヤーに対して行われます。スキャンされたPDFには画像しか含まれないため、先にOCR PDFを実行してください。表の構造がなく、間隔のせいで表のように見えるだけのテキストも、検出されないことがあります。

いいえ。各ページは別々にスキャンされるため、複数のページにまたがる表は、ページごとに1つのファイルとして書き出され、ファイル名にそれぞれのページ番号が入ります。抽出後に、表計算ソフトでつなぎ合わせてください。

スキャンは常にドキュメント全体が対象ですが、各ファイル名のページ番号で、表がどのページにあったかがわかります。スキャン範囲を絞りたい場合は、先にページの抽出で必要なページを保存し、そのより小さなファイルでこのツールを実行してください。

はい。カンマ、引用符、改行を含むセルは二重引用符で囲まれ、内側の引用符は二重にされるため、表計算ソフトで正しく読み込めます。空のセルは空のフィールドとして書き出されます。

ファイルを開くのにパスワードが必要な場合は、抽出を始める前に入力を求められ、メモリ上に保持された復号済みのコピーから表が読み取られます。

いいえ。検出エンジン（WebAssemblyにコンパイルされたPyMuPDF）は、初めて使うときにCDNからダウンロードされ、その後はブラウザ内で動作します。PDFはお使いのデバイスから出ません。