استخراج جدول‌ها
همهٔ جدول‌های یک PDF را تشخیص می‌دهد و به شما امکان می‌دهد آن‌ها را در قالب دلخواه خود صادر کنید: CSV، JSON یا Markdown. هر جدول به‌طور جداگانه همراه با فرادادهٔ صفحه و موقعیت استخراج می‌شود. با قدرت موتور تشخیص جدول PyMuPDF.
نحوهٔ کار
- یک PDF را با کلیک روی ناحیهٔ رها کردن یا کشیدن فایل روی آن بارگذاری کنید.
- قالب خروجی دلخواه خود را انتخاب کنید: CSV، JSON یا Markdown.
- برای شروع پردازش روی استخراج کلیک کنید.
- اگر یک جدول یافت شود، به‌صورت یک فایل دانلود می‌شود. چند جدول یک آرشیو ZIP با یک فایل برای هر جدول تولید می‌کنند.
گزینه‌ها
- قالب خروجی: یکی را انتخاب کنید:
- CSV: مقادیر جداشده با کاما با نقل‌قول‌گذاری درست برای فیلدهای شامل کاما، نقل‌قول یا خط جدید. مناسب صفحه‌گسترده‌ها و پایگاه‌های داده.
- JSON: ساختار آرایه‌ای از آرایه‌ها، با تورفتگی ۲ فاصله‌ای و قالب‌بندی خوانا. مناسب استفادهٔ برنامه‌نویسی.
- Markdown: قالب جدول جداشده با خط عمودی که PyMuPDF رندر می‌کند. مناسب مستندات و فایل‌های README.
قالب خروجی
- یک جدول:
filename_table.csv(یا.json/.md) - چند جدول:
filename_tables.zipشامل فایل‌هایی با نام‌هایtable_1_page3.csv،table_2_page5.csvو غیره
کاربردها
- استخراج جدول‌های خاص از گزارش‌های طولانی PDF بدون بیرون کشیدن دادهٔ کل سند.
- دریافت جدول‌ها در قالب Markdown برای چسباندن مستقیم در issueهای GitHub، ویکی‌ها یا مستندات.
- بیرون کشیدن دادهٔ ساختاریافتهٔ JSON از جدول‌های PDF برای یکپارچه‌سازی API یا اسکریپت‌ها.
- مقایسهٔ جدول‌ها در نسخه‌های مختلف PDF با صادر کردن هر دو به CSV و مقایسهٔ تفاوت‌ها.
نکته‌ها
- این ابزار کنترل جداگانه بر هر جدول به شما می‌دهد. اگر فقط می‌خواهید همهٔ جدول‌ها در یک CSV ریخته شوند، از PDF به CSV استفاده کنید. برای یک کتاب کار کامل Excel، از PDF به Excel استفاده کنید.
- جدول‌هایی که در چند صفحه گسترده‌اند ممکن است به‌صورت جدول‌های جداگانه در هر صفحه تشخیص داده شوند. ممکن است لازم باشد آن‌ها را دستی به هم بچسبانید.
- اگر جدولی تشخیص داده نشود، ممکن است PDF یک تصویر اسکن‌شده باشد. ابتدا آن را از OCR عبور دهید تا لایهٔ متنی اضافه شود.