PDF a Excel

Cada página se examina buscando estructura de tabla en lugar de leerse de corrido como texto. Se usan las líneas de división cuando la tabla las tiene y, cuando no, las columnas se deducen de cómo se alinea el texto a lo largo de la página. Una tabla que continúa tras un salto de página se vuelve a unir cuando sus columnas coinciden. Cada tabla detectada se convierte en una hoja o en un bloque de filas, de modo que los números llegan en celdas y no como una larga cadena por línea.

Esto encuentra tablas, no significado. Una disposición que solo parece una tabla a ojos humanos, por ejemplo cifras separadas únicamente por espacios y sin alineación constante, puede salir fusionada o partida donde no debe. Las celdas combinadas y los encabezados anidados se aplanan, porque una cuadrícula de hoja de cálculo no puede sostenerlos tal como estaban dibujados. Un PDF escaneado no tiene texto que leer: pásalo antes por OCR de PDF.