PDF Table Extractor

Ang aming extractor ay gumagamit ng matatalinong algorithm upang matukoy ang mga estruktura ng talahanayan sa loob ng mga PDF na dokumento. Awtomatiko nitong kinikilala ang mga hilera, kolum, hangganan ng cell, at pinagsamang mga cell. Parehong kinikilala at tumpak na na-extract ang mga bordered tables at borderless tables na may pagkaka-align ng kolum.

Ang mga talahanayan ay kinukuha at sine-save bilang mga Excel (XLSX) na file, pinapanatili ang estruktura ng row at column. Ang bawat natukoy na talahanayan ay nagiging worksheet, na nagpapadali sa pagtatrabaho sa data sa Excel, Google Sheets, o anumang spreadsheet application. Maaari mo ring i-export sa format na CSV.

Oo, ang extractor ay humahawak ng merged cells, multi-row headers, nested tables, at kumplikadong layouts. Napanatili nito ang lohikal na structure ng table, kabilang ang column spans at row spans, upang ang na-extract na data ay nagpapanatili ng orihinal na organisasyon nito sa spreadsheet output.

Ang mga numero ay na-extract na may kanilang orihinal na katumpakan at formatting. Ang mga currency symbols, porsyento, at decimal values ay pinanatili. Gayunpaman, dahil ang mga PDF ay hindi naglalaman ng live formulas, tanging ang mga ipinakitang halaga lamang ang na-extract. Maaari mong idagdag ang iyong sariling mga formula sa Excel pagkatapos ng pagkuha.

Para sa mga na-scan na PDFs, ginagamit ng extractor ang OCR upang unang kilalanin ang teksto, pagkatapos ay tinutukoy ang mga estruktura ng talahanayan. Ang katumpakan ay nakasalalay sa kalidad ng scan — ang mga high-resolution, malinis na naka-print na talahanayan ay nagbubunga ng pinakamahusay na mga resulta. Ang mga sobrang skewed na scan o nakasulat na talahanayan ay maaaring hindi ma-extract nang tumpak.

Walang limitasyon sa bilang ng mga table na nakuha. Sinusuri ng tool ang bawat pahina at tinutukoy ang lahat ng table structures. Ang mga dokumento na may dose-dosenang tables — tulad ng financial reports, research papers, o data catalogs — ay ganap na sinusuportahan. Ang bawat table ay inilalagay sa isang hiwalay na worksheet.

Ang extractor ay maaaring makakita ng mga talahanayan na nagpapatuloy sa mga page breaks at pagsamahin ang mga ito sa isang tuloy-tuloy na talahanayan sa output. Ang mga header na inuulit sa bawat pahina ay pinangangasiwaan nang matalino upang maiwasan ang duplication sa na-extract na data.

Para sa mga maayos na nakabalangkas na talahanayan na may malinaw na mga hangganan, ang katumpakan ay karaniwang 98-100%. Ang mga talahanayan na walang hangganan na may pare-parehong pagkaka-align ng column ay nag-e-extract din ng napakahusay. Ang mga kumplikadong layout na may hindi regular na espasyo o mga nakapaloob na graphics ay maaaring paminsan-minsan mangailangan ng maliliit na manu-manong pagsasaayos sa output spreadsheet.