PDF से टेबल निकालकर Excel में कैसे डालें

PDF से टेबल निकालकर Excel में डालने के लिए ऐसे सॉफ्टवेयर की ज़रूरत होती है जो टेबल की रो और कॉलम को लाइनों, स्पेसिंग और अलाइनमेंट जैसे विज़ुअल संकेतों से पहचाने, न कि किसी सेव की हुई ग्रिड को पढ़कर, क्योंकि PDF टेबल को उस तरह स्ट्रक्चर्ड डेटा के रूप में सेव नहीं करते जैसे स्प्रेडशीट करती हैं।

PDF से टेबल निकालना मुश्किल क्यों है?

PDF पेज पर मौजूद हर टेक्स्ट के टुकड़े और हर लाइन की एब्सोल्यूट पोज़िशन स्टोर करता है। इसमें "यह इतनी रो और इतने कॉलम वाली टेबल है" जैसी कोई अवधारणा नहीं होती, जैसी कि एक नेटिव स्प्रेडशीट फ़ाइल या Word टेबल ऑब्जेक्ट में होती है। PDF से टेबल निकालने का मतलब है उस स्ट्रक्चर को पूरी तरह इस आधार पर रिवर्स-इंजीनियर करना कि चीज़ें विज़ुअली कैसे व्यवस्थित हैं: क्षैतिज और लंबवत लाइनों का पता लगाना, या खाली जगह के लगातार गैप को नोटिस करना जो यह संकेत देते हैं कि एक कॉलम कहाँ खत्म होता है और अगला कहाँ शुरू होता है। अगर सोर्स PDF असली टेक्स्ट की बजाय एक स्कैन है, तो अभी काम करने के लिए कोई टेक्स्ट है ही नहीं, और किसी भी स्ट्रक्चर डिटेक्शन के शुरू होने से पहले इसे OCR की ज़रूरत होती है।

टेबल एक्सट्रैक्शन को खासतौर पर क्या बिगाड़ता है?

• मर्ज की गई सेल: तीन कॉलम में फैले एक हेडर के पास एक फ्लैट PDF में कोई स्पष्ट मार्कर नहीं होता जो बताए कि यह तीन कॉलम में फैला है। सॉफ्टवेयर को इसे सेंटरिंग और स्पेसिंग से अनुमान लगाना पड़ता है, और कभी-कभी यह गलत हो जाता है।
• बिना विज़िबल ग्रिडलाइन वाली टेबल: कई रिपोर्ट कॉलम को अलग करने के लिए बॉर्डर की बजाय खाली जगह का इस्तेमाल करती हैं, जो कॉलम डिटेक्शन को संख्याओं और टेक्स्ट के अलाइनमेंट पर आधारित एक अंदाज़ा लगाने वाले खेल में बदल देता है।
• कई पेज वाली टेबल: पेज ब्रेक के पार जारी रहने वाली टेबल अपनी हेडर रो को दोहरा सकती है, उसे पूरी तरह छोड़ सकती है, या किसी रो को दोनों पेजों के बीच अजीब तरीके से बाँट सकती है।
• नेस्टेड टेबल: किसी दूसरी टेबल की सेल के अंदर एम्बेड की गई टेबल स्ट्रक्चर की एक ऐसी परत जोड़ देती है जिसे अतिरिक्त रो या कॉलम के रूप में गलत पढ़ना आसान है।
• मिश्रित कंटेंट: करेंसी सिंबल, फुटनोट मार्कर, या एक ही सेल के अंदर कई लाइन का टेक्स्ट, किसी संख्या के हिस्से के रूप में या अलग कॉलम के रूप में गलत पढ़ा जा सकता है।

टेबल-डिटेक्शन टूल असल में इसे कैसे संभालते हैं?

ज़्यादातर टूल कुछ चरणों से होकर काम करते हैं। पहले, लेआउट एनालिसिस टेबल की सीमाओं को चिह्नित करने वाली सीधी लाइनों के लिए पेज को स्कैन करता है। जहाँ लाइनें गायब होती हैं, वहाँ यह खाली जगह में कॉलम जैसे पैटर्न और कई लाइनों में टेक्स्ट के अलाइनमेंट को देखने पर वापस आ जाता है, ताकि यह अनुमान लगाया जा सके कि कॉलम कहाँ शुरू और खत्म होते हैं। पेज पर एक जैसी वर्टिकल रेंज के भीतर मौजूद टेक्स्ट को एक रो में समूहित किया जाता है। पहली रो को अक्सर हेडर माना जाता है अगर यह विज़ुअली अलग दिखे, जैसे बोल्ड होना या नीचे की रो से अलग शेड में होना। बेहतर टूल एक तरह का कॉन्फिडेंस सिग्नल भी बनाते हैं, जो प्रभावी रूप से यह बताता है कि वे किन सेल या कॉलम को लेकर कम आश्वस्त हैं, ताकि आपको पता चले कि नतीजे को कहाँ दोबारा जाँचना है।