Come estrarre le tabelle da un PDF

Perché le tabelle nei PDF sono così difficili da estrarre

Un PDF non ha alcun concetto di tabella. Quelle che sembrano righe e colonne sono solo frammenti di testo posizionati a coordinate x/y, a volte con linee disegnate in mezzo. La "tabella" esiste solo nei tuoi occhi — il file non memorizza celle, righe né intestazioni.

Ogni metodo di estrazione è quindi una ricostruzione: un algoritmo che indovina quali frammenti di testo appartengono alla stessa cella, quali celle formano una riga e dove iniziano le colonne. Le tabelle con griglia (linee visibili) sono più facili da ricostruire; le tabelle separate solo da spazi, le celle unite, le celle su più righe e le tabelle su più pagine sono i punti in cui la maggior parte degli strumenti fallisce.

I PDF scansionati aggiungono un ulteriore livello: la pagina è una fotografia, quindi non c'è alcun testo finché non viene eseguito l'OCR. Scegli il metodo in base a quali di questi problemi presenta il tuo documento.

Metodo 1: copia-incolla in Excel (rapido, per piccole tabelle con griglia)

Per una tabella semplice e ben delimitata da linee, selezionala nel tuo lettore PDF, copiala e incollala in Excel o Google Sheets. Se tutto finisce in una sola colonna, usa Dati → Testo in colonne (Excel) o Dati → Dividi il testo in colonne (Sheets) per ri-separare i valori.

Una variante utile: incolla prima in un editor di testo semplice per vedere quale struttura è sopravvissuta. Se i valori sono separati da spazi o tab coerenti, Testo in colonne recupererà la tabella; se le righe sono mescolate o troncate, nessuna divisione potrà sistemarle.

Quando funziona: tabelle con griglia su una sola pagina e valori brevi nelle celle. Quando fallisce: celle unite, testo su più righe dentro le celle, numeri con separatori delle migliaia che vengono spezzati, e qualsiasi documento scansionato.

Metodo 2: Excel Power Query o Word (integrati, senza strumenti extra)

Le versioni moderne di Excel possono importare le tabelle dei PDF direttamente: Dati → Recupera dati → Da file → Da PDF. Excel analizza il documento, elenca ogni tabella rilevata e mostra un'anteprima — scegli la tabella, clicca Carica e questa arriva come un vero intervallo di foglio di calcolo. È la migliore opzione integrata su Windows (richiede una licenza Microsoft 365 o 2021+ e non è disponibile in tutte le versioni di Excel per Mac).

Anche Word può aprire i PDF direttamente (File → Apri → seleziona il PDF). Converte il documento in un file modificabile, e le tabelle semplici di solito sopravvivono come vere tabelle Word che puoi copiare in Excel.

Quando funziona: PDF creati digitalmente con tabelle chiaramente delimitate da linee. Quando fallisce: le tabelle separate solo da spazi vengono spesso ignorate o divise male, le tabelle su più pagine vengono importate come frammenti separati, e i PDF scansionati non producono nulla — Power Query non fa OCR.

Metodo 3: librerie Python — camelot, tabula-py, pdfplumber (per sviluppatori)

Se devi estrarre tabelle da molti PDF in modo programmatico, le opzioni open source consolidate sono camelot (la migliore sulle tabelle con griglia, due modalità di rilevamento), tabula-py (un wrapper attorno al motore Java Tabula, solido sui layout coerenti) e pdfplumber (controllo di basso livello su parole, linee e rettangoli — la scelta migliore quando serve logica personalizzata).

Un esempio minimo con camelot: pip install camelot-py[cv], poi tables = camelot.read_pdf("report.pdf", pages="all") e tables[0].df ti dà un DataFrame pandas. Esporta con .to_csv() o .to_excel().

Il problema: ogni libreria predilige uno stile di layout, e i documenti reali mescolano gli stili. Aspettati di dover regolare le impostazioni per ogni famiglia di documenti (flavor="stream" vs "lattice" in camelot, suggerimenti di area in tabula), e nessuna gestisce i PDF scansionati — dovresti eseguire prima l'OCR, perdendo il layout nel processo.

Per una panoramica più ampia sul parsing dei PDF in Python oltre le tabelle, vedi la nostra guida su come convertire PDF in Markdown con Python.

Metodo 4: estrazione con AI (PDF scansionati, layout misti, grandi volumi)

L'approccio più recente usa modelli di comprensione dei documenti che leggono la pagina come farebbe una persona — rilevando la struttura della tabella dal layout visivo invece di affidarsi alle linee della griglia o a euristiche di coordinate. È l'unica classe di metodi che gestisce documenti scansionati, pagine fotografate e layout incoerenti in un solo passaggio.

ParseJet funziona così: carica un PDF su parsejet.com/tools/pdf-to-markdown e le tabelle tornano come tabelle Markdown pulite, in ordine di lettura — le pagine scansionate vengono elaborate automaticamente con l'OCR. Se vuoi dati invece che testo, l'API restituisce il documento analizzato come output strutturato (vedi lo strumento da PDF a JSON), e una richiesta POST per file lo rende pratico per le pipeline batch.

Quando funziona: documenti scansionati e fotografati, layout misti con e senza griglia, ed elaborazione batch dove la regolazione per singolo documento è impossibile. Il compromesso: è un servizio hosted — per una tabella una tantum su un PDF pulito, il Metodo 1 o 2 è più veloce.

Quale metodo dovresti usare?

Una piccola tabella con griglia, una volta sola: copia-incolla (Metodo 1), ripiegando su Excel Power Query (Metodo 2) se l'incolla mescola tutto.

Report ricorrenti con lo stesso layout: Power Query per chi lavora sui fogli di calcolo, camelot o tabula-py (Metodo 3) per gli sviluppatori — una configurazione una tantum ripaga su ogni file futuro.

Documenti scansionati, foto o layout misti e disordinati: l'estrazione AI (Metodo 4) è realisticamente l'unica opzione che non comporta ribattere tutto a mano.

Centinaia di documenti con layout variabili: Metodo 4 via API — la regolazione per singolo documento delle librerie del Metodo 3 non scala oltre una manciata di famiglie di layout.