PDF-ൽ നിന്ന് പട്ടികകളും ടെക്സ്റ്റുകളും എക്സ്ട്രാക്റ്റ് ചെയ്ത് അവയെ നിങ്ങളുടെ ബ്രൗസറിൽ സുരക്ഷിതമായി Excel XLSX സ്പ്രെഡ്ഷീറ്റുകളിലേക്ക് പരിവർത്തനം ചെയ്യുക.
അല്ലെങ്കിൽ ഫയൽ തിരഞ്ഞെടുക്കാൻ ക്ലിക്ക് ചെയ്യുക
ഇൻവോയ്സുകൾ, സാമ്പത്തിക റിപ്പോർട്ടുകൾ, സയൻ്റിഫിക് പേപ്പറുകൾ, സർക്കാർ ഡാറ്റ എന്നിവ കൈകാര്യം ചെയ്യുന്ന ഓഫീസുകളിലെ ഏറ്റവും സാധാരണമായ ഡോക്യുമെൻ്റ് വർക്ക്ഫ്ലോകളിൽ ഒന്നാണ് PDF-ൽ നിന്നും സ്പ്രെഡ്ഷീറ്റിലേക്കും പട്ടിക ഡാറ്റ വലിക്കുന്നത്. PDF ഫോർമാറ്റിന് ടേബിളുകൾ പ്രാദേശികമായി മനസ്സിലാകുന്നില്ല - ഇത് ഒരു പേജിലെ ഗ്ലിഫ് സ്ഥാനങ്ങൾ വിവരിക്കുന്നു - അതിനാൽ Excel-ലേക്ക് പരിവർത്തനം ചെയ്യുന്നതിന് ടെക്സ്റ്റിൻ്റെ ജ്യാമിതിയിൽ നിന്ന് പട്ടിക ഘടന അനുമാനിക്കേണ്ടതുണ്ട്. ഒരു സെൽ അവസാനിക്കുന്നതും അടുത്തത് ആരംഭിക്കുന്നതും തിരശ്ചീന വൈറ്റ്സ്പെയ്സിൽ നിന്ന് ഊഹിക്കേണ്ടതാണ്; ഒരു വരി അവസാനിക്കുന്നതും അടുത്തത് ആരംഭിക്കുന്നതും, ലംബമായ വൈറ്റ്സ്പെയ്സിൽ നിന്ന്.
ഈ ടൂൾ PDF.js ഉപയോഗിച്ച് PDF പാഴ്സ് ചെയ്യുന്നു, ടെക്സ്റ്റ് ഇനങ്ങൾ അവയുടെ ബൗണ്ടിംഗ് ബോക്സുകൾ ഉപയോഗിച്ച് എക്സ്ട്രാക്റ്റുചെയ്യുന്നു, കൂടാതെ ഇനങ്ങളെ സ്ഥാനത്തെ അടിസ്ഥാനമാക്കി വരികളിലേക്കും നിരകളിലേക്കും ക്ലസ്റ്റർ ചെയ്യുന്നു. കണ്ടെത്തിയ പട്ടിക SheetJS xlsx ലൈബ്രറി ഉപയോഗിച്ച് ഒരു Excel വർക്ക്ബുക്കിലേക്ക് എഴുതിയിരിക്കുന്നു. Excel, Google ഷീറ്റുകൾ, നമ്പറുകൾ അല്ലെങ്കിൽ മറ്റേതെങ്കിലും സ്പ്രെഡ്ഷീറ്റ് ആപ്ലിക്കേഷനിൽ തുറക്കുന്ന ഒരു സാധാരണ .xlsx ഫയലാണ് ഔട്ട്പുട്ട്.
PDF പട്ടിക എക്സ്ട്രാക്ഷൻ ശരിക്കും ബുദ്ധിമുട്ടാണ്, കൂടാതെ ഒരു എക്സ്ട്രാക്ടറും എല്ലാ PDF-ലും മികച്ച ഫലങ്ങൾ നൽകുന്നില്ല. സ്ഥിരമായ കോളം അതിരുകളുള്ള പട്ടികകൾ, ലയിപ്പിച്ച സെല്ലുകൾ ഇല്ല, വ്യക്തമായ ലംബ വിന്യാസം എന്നിവ വൃത്തിയായി പരിവർത്തനം ചെയ്യുന്നു. ലയിപ്പിച്ച സെല്ലുകളോ മൾട്ടി-ലൈൻ എൻട്രികളോ അടിക്കുറിപ്പുകളോ അസാധാരണമായ ലേഔട്ടുകളോ ഉള്ള ടേബിളുകൾ വേർതിരിച്ചെടുത്തതിന് ശേഷം സ്വമേധയാ വൃത്തിയാക്കേണ്ടതുണ്ട്. അവലോകനത്തിനായി ആസൂത്രണം ചെയ്യുക.
കാരണം മിക്കവാറും എല്ലായ്പ്പോഴും വിശകലനമാണ്. ഒരു PDF-ൽ കുടുങ്ങിയ ഡാറ്റ അടുക്കാനോ ഫിൽട്ടർ ചെയ്യാനോ സംഗ്രഹിക്കാനോ ചാർട്ട് ചെയ്യാനോ പിവറ്റ് ചെയ്യാനോ കഴിയില്ല. അത് Excel-ൽ ആയിക്കഴിഞ്ഞാൽ, എല്ലാ സ്റ്റാൻഡേർഡ് സ്പ്രെഡ്ഷീറ്റ് ഓപ്പറേഷനും ലഭ്യമാകും - ഇത് ഒരു സ്റ്റാറ്റിക് റിപ്പോർട്ടിൽ ഉറ്റുനോക്കുന്നതും അതിലെ നമ്പറുകൾക്കൊപ്പം യഥാർത്ഥത്തിൽ പ്രവർത്തിക്കുന്നതും തമ്മിലുള്ള വ്യത്യാസം തുറക്കുന്നു.
PDF-ൽ ബൾക്ക് ഡാറ്റ വർക്ക് അസാധ്യമാണ്. ഒന്നിലധികം PDF റിപ്പോർട്ടുകളിലുടനീളം ത്രൈമാസ കണക്കുകൾ സമാഹരിക്കുക, വെണ്ടർമാരിൽ ഉടനീളം ലൈൻ ഇനങ്ങൾ താരതമ്യം ചെയ്യുക, അല്ലെങ്കിൽ ഡൗൺസ്ട്രീം വിശകലനത്തിനായി നിർദ്ദിഷ്ട നിരകൾ വലിക്കുക എന്നിവയെല്ലാം ആ പ്രവർത്തനങ്ങളെ പിന്തുണയ്ക്കുന്ന ഒരു ഫോർമാറ്റിലേക്ക് ഡാറ്റ നേടേണ്ടതുണ്ട്. Excel ഉം CSV ഉം ആ ഫോർമാറ്റുകളാണ്. പരിവർത്തനമാണ് പാലം.
ടാബുലാർ ഡാറ്റ അടങ്ങുന്ന ഒരു PDF ഡ്രോപ്പ് ചെയ്യുക, ഓരോ ടേബിളിനും അതിൻ്റേതായ ഷീറ്റിൽ ഒരു വർക്ക്ബുക്ക് നേടുക.
PDF.js ഒരു getTextContent API തുറന്നുകാട്ടുന്നു, അത് ടെക്സ്റ്റ് ഇനങ്ങൾ അവയുടെ ബൗണ്ടിംഗ് ബോക്സുകൾക്കൊപ്പം നൽകുന്നു. ഓരോ ഇനത്തിനും ഒരു സ്ട്രിംഗ്, ഒരു രൂപാന്തര മാട്രിക്സ് (സ്ഥാനത്തിനും ഭ്രമണത്തിനും), വീതി/ഉയരം എന്നിവയുണ്ട്. കൺവെർട്ടർ ലൈനുകൾ തിരിച്ചറിയാൻ Y-കോർഡിനേറ്റ് ഉപയോഗിച്ച് ഇനങ്ങൾ അടുക്കുന്നു, തുടർന്ന് ഓരോ വരിയിലും X-കോർഡിനേറ്റ് പ്രകാരം. വളരെ സമാനമായ Y സ്ഥാനങ്ങളിലുള്ള ഇനങ്ങൾ ഒരു വരിയായി മാറുന്നു.
കോളം കണ്ടെത്തൽ വിടവ് വിശകലനം ഉപയോഗിക്കുന്നു: ഒരു നിരയിലെ തുടർച്ചയായ ഇനങ്ങൾ തമ്മിലുള്ള എക്സ്-ദൂരം അവ ഒരേ സെല്ലിൽ പെട്ടതാണോ അതോ അടുത്തുള്ള സെല്ലുകളിൽ പെട്ടതാണോ എന്ന് സൂചിപ്പിക്കുന്നു. ത്രെഷോൾഡിനേക്കാൾ വലിയ വിടവ് (സാധാരണയായി 1-2 പ്രതീകങ്ങളുടെ വീതി) കോളത്തിൻ്റെ അതിർത്തിയെ സൂചിപ്പിക്കുന്നു. ത്രെഷോൾഡ് ട്യൂണിംഗ് അടുത്തുള്ള നിരകൾ ലയിപ്പിക്കുന്നതിനും ഒറ്റ നിരകൾ വിഭജിക്കുന്നതിനും ഇടയിൽ ട്രേഡ് ചെയ്യുന്നു.
Excel ഔട്ട്പുട്ട് മെമ്മറിയിൽ ഒരു വർക്ക്ബുക്ക് നിർമ്മിക്കാൻ SheetJS ഉപയോഗിക്കുന്നു, കണ്ടെത്തിയ ഓരോ ടേബിളും ഷീറ്റ്1, ഷീറ്റ്2 എന്നിങ്ങനെ പേരുള്ള സ്വന്തം ഷീറ്റിലുണ്ട്. വർക്ക്ബുക്ക് .xlsx (ഓഫീസ് ഓപ്പൺ XML) ഫോർമാറ്റിലേക്ക് സീരിയലൈസ് ചെയ്യുകയും ഡൗൺലോഡ് ആയി നൽകുകയും ചെയ്യുന്നു. ഫലം Excel 2007+, Google Sheets, LibreOffice Calc, Apple നമ്പറുകൾ എന്നിവയിൽ തുറക്കുന്നു.