Extrair tabelas de PDF

O CSV abre no Excel, no Google Sheets ou em qualquer importação de banco de dados. O JSON entrega uma matriz de linhas, cada uma uma matriz de textos de células, para scripts e APIs. O Markdown entrega uma tabela com barras verticais que você pode colar no GitHub, em uma wiki ou em documentação.

Cada tabela é salva como um arquivo próprio, com nome como table_1_page3.csv, e todas são reunidas em filename_tables.zip. Uma única tabela é baixada direto como filename_table.csv, .json ou .md. Se preferir todas as tabelas em um só arquivo, use PDF para CSV.

A detecção funciona na camada de texto do documento. PDFs digitalizados contêm apenas uma imagem, então passe-os antes por PDF com OCR. Texto que só parece uma tabela por causa do espaçamento, sem estrutura de tabela, também pode não ser detectado.

Não. Cada página é analisada separadamente, então uma tabela que se estende por várias páginas é exportada como um arquivo por página, cada um com o número da página no nome. Junte as partes em uma planilha depois da extração.

O documento inteiro é sempre analisado, embora o número da página em cada nome de arquivo mostre de onde veio a tabela. Para limitar a análise, salve antes as páginas de que precisa com Extrair páginas e use esta ferramenta no arquivo menor.

Sim. Células com vírgulas, aspas ou quebras de linha são envolvidas em aspas duplas, com as aspas internas duplicadas, para que o software de planilhas as leia corretamente. Células vazias são gravadas como campos vazios.

Se o arquivo precisar de senha para abrir, ela é solicitada antes de a extração começar, e as tabelas são lidas de uma cópia descriptografada mantida na memória.

Não. O mecanismo de detecção (PyMuPDF compilado para WebAssembly) é baixado de uma CDN na primeira vez que você o usa e depois roda dentro do seu navegador. Seu PDF fica no seu dispositivo.