Таблицы и формы — в электронную таблицу
Цель
Перенести данные, которые живут в PDF, в электронную таблицу, которую можно сортировать и суммировать.
Сценарий. Ваш клуб разослал 40 участникам PDF-форму регистрации, и 31 человек вернул её заполненной. Отдельно у казначея есть прошлогодняя отчётность в PDF с таблицей на 60 строк. Вам нужно и то и другое в Excel.
Честные ожидания. Единой кнопки «PDF в таблицу», которая всегда работает, не существует. Что сработает, зависит от того, чем является ваш PDF. Выберите свою дорогу ниже.
Какую дорогу выбрать? (решите до начала)
| Ваш PDF — это | Используйте | Результат |
|---|---|---|
| Заполняемая форма, заполненная и возвращённая | Извлечение данных формы | По одному CSV на форму (надёжно: читаются настоящие поля) |
| Текстовый PDF с таблицей | Конвертер: PDF в Excel с режимом Extract tables only | XLSX (хорошо для чётких сеток, может потребоваться доработка) |
| Скан таблицы | Searchable с форматом «Редактируемый Excel» и Извлекать только таблицы | XLSX из распознанного текста (приблизительно) |
| Текстовый файл со столбцами (TXT) | Конвертер: TXT в Excel, Delimiter подобран | XLSX |
Что не даёт электронную таблицу:
- Парсер PDF выдаёт ZIP с текстом, изображениями, вложениями, аннотациями, закладками и данными форм (в виде файла XFDF, предназначенного для программ). Файла с таблицами у него нет.
- Извлечь текст даёт простой текст без столбцов.
- Добавить таблицу в PDF работает в обратную сторону: из xlsx в PDF.
Цепочка
Дорога форм: (Разделение) → Извлечение данных формы → открыть CSV
Дорога таблиц: (Разблокировка) → Конвертер (PDF в Excel, только таблицы) [сканы: Searchable → Excel]
Шаг за шагом
Дорога A: формы в CSV
- Убедитесь, что это настоящие формы. Откройте одну в программе просмотра: можно ли щёлкнуть в поле? Если форму распечатали и заполнили от руки или она была уплощена, читать нечего (в рецепте о заполняемой форме объяснено, почему важен порядок).
- Если возвращённый файл содержит несколько форм, сначала примените Разделение PDF. Защищённые разблокируйте.
- Только один шаблон. Формы из разных шаблонов дают столбцы, которые не совпадают; обрабатывайте каждый шаблон отдельно.
- Извлечение данных формы: загрузите все (параметров нет) и нажмите Извлечение.
- Скачайте ZIP. Вы получите по одному CSV на форму, form_data_summary.csv (статус, поля, образец) и form_data_export.csv (одна строка на элемент, между именем и значением точка с запятой).
- Откройте CSV в электронной таблице, импортируя как UTF-8, чтобы избежать странных символов. Объедините CSV по формам, вставив их друг под другом под один заголовок.
Дорога B: таблица из текстового PDF в XLSX
- Конвертер, страница «PDF в Excel».
- Режим экспорта в Excel: Extract tables only (по умолчанию — весь документ, что менее аккуратно).
- Нажмите КОНВЕРТИРОВАТЬ, скачайте и откройте в Excel.
- Вариант: у «Конвертера» PDF в XML есть параметр Format со значением Excel (Open XML); используйте его, только если описанное выше оставляет вашу таблицу разбитой (проверьте в работающем приложении).
Дорога C: отсканированная таблица в XLSX
- Ротация PDF, чтобы страницы стояли прямо.
- Searchable: Язык документа подобран, Выровнять изображение включено, Формат вывода: Редактируемый Excel (.xlsx), Извлекать только таблицы включено.
- Результат Excel строится из распознанного текста, а картинка страницы отбрасывается; сложные вёрстки сохраняются лишь приблизительно.
Ожидаемый результат
Дорога A: CSV с именами полей в шапке и ответами ниже. Дороги B и C: XLSX с найденными таблицами, которым часто нужна ручная чистка (объединённые ячейки, разорванные числа).
Проверьте, что получилось
- Дорога A: сверьте число строк с числом возвращённых форм. Файлы с ошибками отмечены в сводке.
- Дороги B и C: сверьте итоги с PDF; одна неверно прочитанная цифра выглядит как настоящее число. Распознавание — это оценка.
- Откройте одно пустое значение в CSV и спросите себя: форма была уплощена или поле действительно осталось пустым?
Варианты
- Данные форм для другой программы работы с PDF: Парсер PDF даёт
formdata.xfdf(не подходит для таблиц). - Обратно в PDF: позже вставьте очищенный лист как таблицу через Добавить таблицу в PDF.
- Массовые формы: для 200 форм используйте CLI (плагин ExtractFormData) и см. Повторять цепочку каждый день.
Что может пойти не так
- CSV с заголовками, но без значений. Не заполнено или уплощено.
- «Ничего не найдено». Скан или обычный PDF с нарисованными линиями.
- Результат «Конвертера» — не чистая сетка. Реконструкция PDF приблизительна; режим «только таблицы» помогает, но не всегда.
- Объединённые и многострочные ячейки сбивают с толку любое определение таблиц.
- Подписи и необычные виджеты могут не давать полезных значений (проверьте на вашей форме).
Почему именно такой порядок
Настоящие поля формы надёжнее догадок, поэтому для форм используется точный «читатель». Для таблиц сканам нужно получить текстовый слой до того, как что-либо найдёт строки, поэтому распознавание идёт перед конвертацией в Excel. «Разблокировка» и «Разделение» идут первыми, потому что экстракторы не могут открыть заблокированные файлы и разделить сшитые формы.