من PDF إلى Excel

تُفحص كل صفحة بحثًا عن بنية جدول بدل قراءتها نصًا متصلًا. تُستخدم خطوط التسطير حين يملكها الجدول، وحين لا يملكها تُستنتج الأعمدة من طريقة اصطفاف النص نزولًا في الصفحة. والجدول الذي يمتد عبر فاصل صفحة يُعاد وصله حين تتطابق أعمدته. ويصير كل جدول مكتشف ورقةً أو كتلة صفوف، فتصل الأرقام داخل خلايا لا كسلسلة طويلة واحدة في كل سطر.

هذه الأداة تجد الجداول لا المعاني. والتخطيط الذي لا يبدو جدولًا إلا في عين الإنسان، كأرقام تفصلها المسافات وحدها دون محاذاة ثابتة، قد يخرج مدموجًا أو مقسّمًا في المواضع الخطأ. أما الخلايا المدموجة والعناوين المتداخلة فتُسطَّح، لأن شبكة جدول البيانات لا تحتملها كما رُسمت. وملف PDF الممسوح ضوئيًا لا يحوي نصًا يُقرأ أصلًا: مرّره أولًا على OCR للـ PDF.