PDF'den Excel'e

Her sayfa, baştan sona metin olarak okunmak yerine tablo yapısı açısından incelenir. Tablonun cetvel çizgileri varsa onlar kullanılır; yoksa sütunlar, metnin sayfa boyunca nasıl hizalandığından çıkarılır. Sayfa sonunu aşarak devam eden bir tablo, sütunları örtüştüğünde yeniden birleştirilir. Algılanan her tablo bir sayfa ya da bir satır bloğu olur, böylece sayılar satır başına uzun bir dizi olarak değil hücrelerin içine gelir.

Bu, anlamı değil tabloyu bulur. Yalnızca insan gözüne tablo gibi görünen bir düzen, örneğin tutarlı bir hizalama olmadan yalnızca boşlukla ayrılmış rakamlar, yanlış yerlerden birleşmiş ya da bölünmüş çıkabilir. Birleştirilmiş hücreler ve iç içe başlıklar düzleşir, çünkü bir elektronik tablo ızgarası onları çizildikleri gibi tutamaz. Taranmış bir PDF'de okunacak metin hiç yoktur: önce PDF OCR'dan geçirin.