PDF ke Excel

Setiap halaman diperiksa strukturnya sebagai tabel, bukan dibaca lurus sebagai teks. Garis bantu dipakai kalau tabelnya punya; kalau tidak, kolom disimpulkan dari cara teks berbaris ke bawah halaman. Tabel yang bersambung melewati pergantian halaman disatukan kembali ketika kolomnya sejajar. Setiap tabel yang terdeteksi menjadi satu lembar atau satu blok baris, jadi angkanya tiba di dalam sel, bukan sebagai satu untaian panjang per baris.

Ini menemukan tabel, bukan makna. Tata letak yang hanya tampak seperti tabel di mata manusia, misalnya angka yang dipisahkan spasi saja tanpa perataan yang konsisten, bisa keluar tergabung atau terpecah di tempat yang salah. Sel yang digabung dan judul bertingkat akan merata, karena kisi spreadsheet tidak bisa menampungnya seperti aslinya. PDF hasil scan sama sekali tidak punya teks untuk dibaca: jalankan dulu lewat PDF OCR.