Полезные статьи: таблицы из PDF от загрузки до готового файла

PDF — это не «документ со структурой», а набор инструкций «нарисуй эту букву в этих координатах». Понятия «строка», «столбец» или «ячейка» в файле чаще всего не существует: его приходится восстанавливать. Мы делаем это двумя способами и для каждой найденной таблицы показываем, какой из них сработал.

По линиям сетки. Если в PDF есть реальные линии и прямоугольники, по ним восстанавливается структура — включая объединённые ячейки, которые при наивном переносе обычно рассыпаются. В карточке таблицы такая помечается как «Найдена по линиям сетки». Это самый надёжный случай: формы счетов, актов, прайсов, отчётов и выгрузок из 1С, SAP или Excel почти всегда нарисованы с рамками.

По выравниванию текста. Если рамок нет, столбцы определяются по пустым промежуткам между текстом: мы смотрим, где начинаются и заканчиваются фрагменты на одной строке, и группируем их по колонкам. Так находятся «невидимые» таблицы — спецификации, перечни, прайс-листы без сетки. Пометка в карточке — «Найдена по выравниванию текста».

Практический вывод: чем честнее нарисована сетка в исходнике, тем точнее результат. Если таблица в документе есть, но выглядит как обычный текст с табуляцией, ждите второго алгоритма и обязательно сверяйте результат с оригиналом (см. раздел 4).

1. 1Загрузите PDF — перетащите файл в зону загрузки или нажмите на неё и выберите документ. Поддерживаются файлы до 200 МБ; начиная примерно с 40 МБ обработка занимает заметно больше времени.
2. 2Дождитесь разбора. Показывается прогресс по страницам («Страница 12 из 84»). Закрывать вкладку не нужно: работа идёт в браузере, а не на сервере, поэтому прерывание означает начать заново.
3. 3Посмотрите, что нашлось. Сверху — счётчик найденных таблиц, ниже — карточки с номером, страницами и размером («стр. 3–4 · 41 × 6»).
4. 4Сверьте с оригиналом. В каждой карточке есть кнопка «Оригинал»: рядом с результатом показывается фрагмент PDF.
5. 5Настройте экспорт. Степперы «Строк шапки» и «Убрать колонок слева» задают, что именно попадёт в файл; рядом видно текстовую расшифровку («Экспорт: без шапки (2 стр.) и без 1 кол. слева»).
6. 6Поправьте ячейки, если нужно — двойной клик открывает редактирование текста.
7. 7Скачайте или скопируйте. «Excel»/«Word» — для одной таблицы, «Скачать всё в Excel»/«Скачать всё в Word» — для всего документа (каждая таблица станет отдельным листом или отдельной таблицей в документе). «Копировать» кладёт таблицу в буфер обмена, и её можно вставить в Excel, Word или Google Таблицы как настоящую таблицу с форматированием.
8. 8Нужен другой документ? Кнопка «Другой документ» сбрасывает результат; можно и просто перетащить новый PDF поверх — текущий результат заменится.

• Нужен текстовый слой. Проверка проста: откройте PDF и попробуйте выделить слово мышью. Выделяется — слой есть. Нельзя выделить ничего — это скан или картинка, и распознавания текста (OCR) у нас нет.
• Сканы сначала через OCR. Прогоните документ через Adobe Acrobat, ABBYY FineReader или любой другой OCR-инструмент и сохраните результат как PDF с текстовым слоем — дальше наш сервис отработает нормально.
• Пароль снимается заранее. PDF под защитой не откроется. Самый быстрый обходной путь — «Печать → Сохранить как PDF» без пароля (если документ вам доступен для просмотра).
• Одна загрузка — весь документ. Если таблицы разбросаны по 300-страничному отчёту, проще загрузить его целиком: ограничения по числу страниц нет. Но на слабом устройстве большие файлы обрабатываются дольше и требуют много памяти.
• Таблица внутри картинки — не таблица. Скриншот отчёта, вставленный в PDF, останется картинкой: там нечего извлекать.
• Не «печатайте в PDF» лишний раз. Каждое пересохранение через виртуальный принтер может превратить настоящие линии в набор штрихов и ухудшить работу алгоритма по сетке.

Экспорт настраивается в карточке каждой таблицы, и это главная причина, почему результаты стоит просмотреть до скачивания:

• Строки шапки. Многоуровневые шапки («Показатель / Ед. изм. / Значение» в две строки) часто удобнее оставить в файле, а вот служебные строки сверху — убрать степпером «Строк шапки».
• Лишние колонки слева. Классика — «№ п/п». Убирается степпером «Убрать колонок слева»; по умолчанию не обрезается ничего.
• Выделение мышью. Можно выделить прямоугольную область ячеек и нажать Ctrl+C — в буфер попадёт только она. Снятие выделения — Esc.
• Продолжение на следующей странице. Если таблица разорвана переносом страницы, кнопка «⤒ Склеить с предыдущей» объединит фрагменты в одну таблицу.
• Лишний блок. То, что сервис принял за таблицу, но ею не является (например, колонки обычного текста), удаляется крестиком — с подтверждением нажатием ещё раз.
• Рамки и числа. В настройках экспорта есть переключатели «Рамки ячеек» и «Числа как числа»; они влияют и на Excel, и на Word, и на буфер обмена.

В .xlsx переносятся объединённые ячейки, рамки, заливка, жирный шрифт, выравнивание (влево / по центру / вправо), ширина столбцов и высота строк — то есть таблица выглядит как в оригинале, а не как «текст по ячейкам».

Отдельно про типы данных. Если включено «Числа как числа», значения вида 1 234,56 записываются настоящими числами: их можно суммировать, по ним работают формулы и сортировка. При этом артикулы, ИНН, телефонные коды и прочие идентификаторы с ведущими нулями (0045, 07734) остаются текстом — иначе Excel молча съел бы ноль, и колонка перестала бы быть колонкой кодов.

Имена листов локализуются и содержат страницы источника: «Таблица 2 (стр 1-2)». Имя файла тоже — например отчёт_таблица_1.xlsx.

.docx хорош, когда таблицу нужно вернуть в документ: в акт, отчёт, пояснительную записку, договорное приложение. Мы сохраняем пропорции колонок, а широкие таблицы автоматически переводим в альбомную ориентацию — иначе они сжимаются до нечитаемого состояния. Подпись под таблицей («Таблица 3 (стр. 7–8)») помогает сослаться на источник при сверке.

Сообщения об ошибках у сервиса конкретные, и по ним понятно, что делать:

Честный список ограничений экономит больше времени, чем обещания:

• Нет OCR. Сканы, фотографии, таблицы-картинки — не извлекаются. Нужен внешний OCR, после которого PDF загружается к нам.
• Нет конвертации «PDF → CSV» напрямую. Но «Копировать» + вставка в Excel/Google Таблицы и сохранение как CSV дают тот же результат за несколько секунд.
• Нет распознавания рукописного текста и таблиц внутри графиков.
• Нет пакетной обработки очереди файлов. Документы загружаются по одному — зато без регистрации, лимитов и ожидания на сервере.
• Нет восстановления «схлопнувшихся» объединённых ячеек в документах без линий. Если сетки в PDF нет физически, объединение придётся проставить вручную уже в Excel.

В вашем браузере. PDF не загружается на сервер: чтение файла, поиск линий и текста, генерация .xlsx и .docx выполняются локально, на вашем устройстве. Поэтому документы не покидают компьютер и нигде не хранятся — это принципиально для счетов, договоров, банковских выписок, отчётности с персональными данными и любых документов под NDA.

Единственный сетевой запрос, который делает страница, — определение страны для подсказки о языке интерфейса (русский, английский или испанский). Он не связан с файлом и отключается параметром ?geo=0 в адресе.

Обратная сторона локальной обработки — нагрузка ложится на ваше устройство, а не на чужой кластер: большой документ может обрабатываться минуту-другую, и это нормально.

Конвертации не ограничены: ни по числу файлов, ни по числу страниц, ни по количеству экспортов. Регистрация и оплата не требуются. Хостинг и разработку покрывают добровольные донаты — Ko-fi (картой или через PayPal, аккаунт не нужен) и Boosty (удобно, если карты зарубежных сервисов недоступны). Кнопки есть на главной странице: если сервис сэкономил вам час ручного переноса таблицы, это способ сказать спасибо и помочь держать его бесплатным.

Короткий список того, что полезно рядом с задачей «достать данные из документа»:

• OCR для сканов — Adobe Acrobat, ABBYY FineReader: превращают картинку в PDF с текстовым слоем, который уже можно отдать на извлечение таблиц.
• Google Таблицы — принимают нашу таблицу из буфера обмена и позволяют быстро поделиться результатом или построить график.
• Облачная инфраструктура и расходы — zop.dev: инвентарь ресурсов, стоимость и рекомендации по экономии в одном месте, если ваш проект, как и наш, живёт в облаке и вы не хотите платить за простаивающие серверы.
• Этот сайт — загрузите PDF и проверьте всё на своём документе: это занимает меньше минуты и не требует ни аккаунта, ни установки программ.