Jak wyodrębnić tabele z pliku PDF

Dlaczego tabele z PDF-ów tak trudno wyodrębnić

PDF nie ma pojęcia tabeli. To, co wygląda jak wiersze i kolumny, to tylko pojedyncze fragmenty tekstu rozmieszczone na współrzędnych x/y, czasem z narysowanymi między nimi liniami. „Tabela” istnieje wyłącznie w Twoich oczach — plik nie przechowuje żadnych komórek, wierszy ani nagłówka.

Każda metoda ekstrakcji jest więc rekonstrukcją: algorytm zgaduje, które fragmenty tekstu należą do tej samej komórki, które komórki tworzą wiersz i gdzie zaczynają się kolumny. Tabele z liniami (z widoczną siatką) rekonstruuje się łatwiej; tabele rozdzielane tylko odstępami, scalone komórki, komórki wielowierszowe i tabele ciągnące się przez wiele stron to miejsca, w których większość narzędzi zawodzi.

Zeskanowane PDF-y dokładają kolejną warstwę: strona jest fotografią, więc dopóki nie zadziała OCR, nie ma w niej żadnego tekstu. Wybierz metodę na podstawie tego, które z tych problemów ma Twój dokument.

Metoda 1: kopiuj-wklej do Excela (szybko, małe tabele z siatką)

W przypadku prostej tabeli z wyraźnymi liniami zaznacz ją w przeglądarce PDF, skopiuj i wklej do Excela lub Google Sheets. Jeśli wszystko wyląduje w jednej kolumnie, użyj Dane → Tekst jako kolumny (Excel) lub Dane → Podziel tekst na kolumny (Sheets), aby ponownie rozdzielić wartości.

Przydatny wariant: najpierw wklej do zwykłego edytora tekstu, aby zobaczyć, ile struktury przetrwało. Jeśli wartości są rozdzielone spójnymi odstępami lub tabulatorami, Tekst jako kolumny odzyska tabelę; jeśli wiersze są poprzeplatane lub ucięte, żadne dzielenie tego nie naprawi.

Kiedy to działa: jednostronicowe tabele z siatką i krótkimi wartościami w komórkach. Kiedy zawodzi: scalone komórki, wielowierszowy tekst w komórkach, liczby z separatorami tysięcy rozbijane na części oraz każdy zeskanowany dokument.

Metoda 2: Excel Power Query lub Word (wbudowane, bez dodatkowych narzędzi)

Nowoczesny Excel potrafi importować tabele z PDF-ów bezpośrednio: Dane → Pobierz dane → Z pliku → Z pliku PDF. Excel skanuje dokument, wypisuje każdą wykrytą tabelę i pokazuje podgląd — wybierz tabelę, kliknij Załaduj, a trafi ona do arkusza jako prawdziwy zakres. To najlepsza wbudowana opcja w Windows (wymaga licencji Microsoft 365 lub 2021+ i nie we wszystkich wersjach jest dostępna w Excelu dla Maca).

Word również potrafi otwierać PDF-y bezpośrednio (Plik → Otwórz → wybierz PDF). Konwertuje dokument do edytowalnego pliku, a proste tabele zwykle przeżywają jako prawdziwe tabele Worda, które można skopiować do Excela.

Kiedy to działa: PDF-y utworzone cyfrowo z wyraźnie zaznaczonymi liniami tabel. Kiedy zawodzi: tabele rozdzielane tylko odstępami są często pomijane lub źle dzielone, tabele wielostronicowe importują się jako osobne fragmenty, a zeskanowane PDF-y nie dają nic — Power Query nie wykonuje OCR.

Metoda 3: biblioteki Pythona — camelot, tabula-py, pdfplumber (dla programistów)

Jeśli musisz wyodrębniać tabele z wielu PDF-ów programistycznie, uznane opcje open source to camelot (najlepszy na tabelach z siatką, dwa tryby wykrywania), tabula-py (nakładka na javowy silnik Tabula, solidna przy spójnych układach) oraz pdfplumber (niskopoziomowa kontrola nad słowami, liniami i prostokątami — najlepszy, gdy potrzebujesz własnej logiki).

Minimalny przykład camelot: pip install camelot-py[cv], potem tables = camelot.read_pdf("report.pdf", pages="all"), a tables[0].df daje DataFrame biblioteki pandas. Eksportujesz przez .to_csv() lub .to_excel().

Haczyk: każda biblioteka faworyzuje określony styl układu, a rzeczywiste dokumenty style mieszają. Przygotuj się na strojenie ustawień per rodzina dokumentów (flavor="stream" vs "lattice" w camelot, wskazówki obszarów w tabula) — i żadna z nich nie radzi sobie ze skanami; musiałbyś najpierw uruchomić OCR i po drodze stracić układ.

Szersze spojrzenie na parsowanie PDF-ów w Pythonie, wykraczające poza tabele, znajdziesz w naszym przewodniku o konwersji PDF na Markdown w Pythonie.

Metoda 4: ekstrakcja oparta na AI (skany, mieszane układy, skala)

Najnowsze podejście wykorzystuje modele rozumienia dokumentów, które czytają stronę tak jak człowiek — wykrywają strukturę tabeli z wizualnego układu, zamiast polegać na liniach siatki czy heurystykach współrzędnych. To jedyna klasa metod, która w jednym przebiegu obsługuje zeskanowane dokumenty, sfotografowane strony i niespójne układy.

ParseJet działa właśnie tak: prześlij PDF na parsejet.com/tools/pdf-to-markdown, a tabele wrócą jako czyste tabele Markdown w kolejności czytania — zeskanowane strony są automatycznie przetwarzane przez OCR. Jeśli zamiast tekstu potrzebujesz danych, API zwraca sparsowany dokument jako uporządkowany wynik (zobacz narzędzie PDF na JSON), a jedno żądanie POST na plik czyni to praktycznym w potokach wsadowych.

Kiedy to działa: dokumenty zeskanowane i sfotografowane, mieszane układy z liniami i bez oraz przetwarzanie wsadowe, gdzie strojenie per dokument jest niemożliwe. Kompromis: to usługa hostowana — dla jednorazowej tabeli z czystego PDF-a metoda 1 lub 2 będzie szybsza.

Którą metodę wybrać?

Jedna mała tabela z siatką, jeden raz: kopiuj-wklej (metoda 1), z Excel Power Query (metoda 2) w odwodzie, gdyby wklejanie pomieszało dane.

Powtarzalne raporty o tym samym układzie: Power Query dla użytkowników arkuszy, camelot lub tabula-py (metoda 3) dla programistów — jednorazowa konfiguracja zwraca się przy każdym kolejnym pliku.

Zeskanowane dokumenty, zdjęcia lub bałaganiarskie mieszane układy: ekstrakcja AI (metoda 4) to realistycznie jedyna opcja, która nie kończy się przepisywaniem ręcznym.

Setki dokumentów o zmiennych układach: metoda 4 przez API — strojenie bibliotek z metody 3 per dokument nie skaluje się powyżej kilku rodzin układów.