PDF से Excel: टेबल निकालना असल में कैसे काम करता है

आपको PDF में टेबल दिखती है: पंक्तियाँ, कॉलम, एक हेडर, नीचे कुल योग। लगता है कि कन्वर्टर को इसे सीधे स्प्रेडशीट में उठा लेना चाहिए। मुश्किल यह है कि PDF में टेबल होती ही नहीं। उसमें कुछ जगहों पर अक्षर और कुछ जगहों पर लाइनें बनाने के निर्देश होते हैं, और जो ग्रिड आपको दिखता है, उसे आपकी आँखें जोड़ती हैं। हर PDF से Excel कन्वर्टर को उन बिखरे टुकड़ों से टेबल फिर से बनानी पड़ती है, इसीलिए नतीजे बिल्कुल सही से लेकर बेकार तक होते हैं। यह गाइड बताती है कि यह फिर से बनाना कैसे काम करता है, कहाँ विफल होता है, और दोनों ही स्थितियों में Excel में साफ़ आँकड़े कैसे लाएँ।

PDF टेबल के अंदर असल में क्या होता है

तीन कॉलम वाली इनवॉइस की एक पंक्ति लें: "परामर्श", "12 मार्च 2026" और "1,250.00"। PDF के अंदर यह टेक्स्ट के अलग-अलग टुकड़ों का एक समूह है, जिनमें से हर एक का एक x और y निर्देशांक है। ज़रूरी नहीं कि ये टुकड़े शब्दों से मेल खाएँ: एक प्रोग्राम "1,250.00" को एक ही टुकड़े के रूप में लिखता है, दूसरा "1,2" और "50.00" के रूप में, और कोई तीसरा हर अक्षर को अलग रखता है। यह भी ज़रूरी नहीं कि वे पढ़ने के क्रम में आएँ। कुछ प्रोग्राम पूरी टेबल एक बार में एक कॉलम करके बनाते हैं।

ग्रिड की लाइनें अलग ड्रॉइंग निर्देश होती हैं, जिनका टेक्स्ट से कोई संबंध नहीं होता। एक मोटी लाइन कई छोटे टुकड़ों के रूप में बनाई जा सकती है, छायांकित पंक्ति बिना किसी लाइन के भरा हुआ आयत हो सकती है, और कई टेबल में कोई लाइन होती ही नहीं। फ़ाइल में कहीं नहीं लिखा होता कि "यह एक सेल है", "ये दो सेल मर्ज हैं" या "यह पंक्ति टेबल का हिस्सा है"।

कन्वर्टर टेबल ढूँढने के दो तरीके

टेबल निकालने वाले टूल आम तौर पर दो में से एक तरीका अपनाते हैं। Tabula और Camelot जैसे ओपन-सोर्स टूल इन्हें "lattice" (जाली) और "stream" (धारा) कहते हैं।

रूल की हुई लाइनों के सहारे (lattice)। कन्वर्टर क्षैतिज और ऊर्ध्वाधर लाइनें इकट्ठा करता है, पता लगाता है कि वे कहाँ एक-दूसरे को काटती हैं, और हर घिरे हुए हिस्से को एक सेल मानता है। फिर वह टेक्स्ट के हर टुकड़े को उस सेल में डाल देता है जिसके अंदर वह आता है। पूरे ग्रिड वाली टेबल पर यह बहुत अच्छा काम करता है। यह तब विफल होता है जब लाइनें न हों, जब लाइनें ऐसे टुकड़ों में टूटी हों जो ठीक से मिलते नहीं, या जब बॉर्डर के बजाय छायांकन का उपयोग हुआ हो।
खाली जगह के सहारे (stream)। कन्वर्टर पेज पर ऊँचाई के हिसाब से टेक्स्ट को पंक्तियों में समूहित करता है, फिर ऐसी खड़ी खाली जगहें ढूँढता है जो पंक्तियों में लगातार नीचे तक जाती हों, और उन्हें कॉलम की सीमा मानता है। यह बिना बॉर्डर वाली टेबल संभाल लेता है, जैसे कई वित्तीय विवरण। यह तब मुश्किल में पड़ता है जब कॉलम पास-पास हों, जब कोई कॉलम संरेखित होने के बजाय बीच में हो, या जब किसी एक पंक्ति का लंबा मान उस खाली जगह को पाट दे जो बाकी सभी पंक्तियों में दो कॉलमों को अलग करती है।

दोनों तरीके अनुमान पर आधारित हैं। साफ़, नियमित टेबल पर ये भरोसेमंद हैं और बाकी हर चीज़ पर अविश्वसनीय, इसीलिए कोई भी कन्वर्टर हर टेबल सही नहीं निकालता।

टेबल निकालने में गलती कहाँ होती है

कॉलम सही मिल जाने पर भी कुछ समस्याएँ बार-बार आती हैं:

लपेटे हुए सेल। दूसरी लाइन तक जाने वाला विवरण ऐसी नई पंक्ति जैसा दिखता है जिसमें सिर्फ़ एक कॉलम भरा हो।
मर्ज किए गए और फैले हुए शीर्षक। दो कॉलमों के ऊपर बैठे शीर्षक को उनमें से किसी एक को, या किसी को भी नहीं, सौंपना पड़ता है।
पेज ब्रेक। अगले पेज पर जारी रहने वाली टेबल अपना हेडर दोहराती है, और कोई पंक्ति ब्रेक के आर-पार बँट सकती है।
टेक्स्ट के रूप में आने वाली संख्याएँ। मुद्रा चिह्न, हज़ारों को अलग करने वाले चिह्न, कोष्ठक में दिखाई गई ऋणात्मक संख्याएँ और किसी आँकड़े से जुड़े फ़ुटनोट चिह्न, ये सब Excel को संख्या पहचानने से रोक सकते हैं। "1.250,00" जैसा दशमलव कॉमा सिर्फ़ तभी सही पढ़ा जाता है जब आपका Excel भी यही तरीका इस्तेमाल करता हो।
अस्पष्ट तारीखें। 03/04/2026 कुछ देशों में 3 अप्रैल है और दूसरों में 4 मार्च, और Excel आपकी सेटिंग के आधार पर इनमें से एक चुनेगा।
बिना टेक्स्ट मैपिंग वाले फ़ॉन्ट। कुछ PDF ऐसे फ़ॉन्ट एम्बेड करती हैं जिनमें वह तालिका नहीं होती जो हर ग्लिफ़ को वापस एक अक्षर से जोड़ती है। वे बिल्कुल ठीक दिखते हैं, लेकिन उनका टेक्स्ट कॉपी करने या निकालने पर ऊटपटाँग अक्षर निकलते हैं।
स्कैन। स्कैन किए गए पेज में कोई टेक्स्ट होता ही नहीं, सिर्फ़ उसकी एक तस्वीर होती है, इसलिए पहले OCR किए बिना निकालने को कुछ नहीं है।

हमारा PDF से Excel टूल क्या करता है

हमारा PDF से Excel कन्वर्टर आपके ब्राउज़र में चलता है, इसलिए फ़ाइल अपलोड नहीं होती। यह PDF के हर पेज को अपनी अलग वर्कशीट देता है, जिनके नाम पेज 1, पेज 2 वगैरह होते हैं। कॉलम A में नीचे की ओर यह पेज की हर लाइन लिखता है, ऊपर से नीचे, हर पंक्ति में एक लाइन, और हर तस्वीर को पेज पर उसी जगह रखता है जहाँ वह बनाई गई थी।

यह अंदाज़ा लगाने की कोशिश नहीं करता कि कॉलम कहाँ हैं। इससे हर लाइन पढ़ने के क्रम में रहती है, और गलत अंदाज़े से न कुछ छूटता है, न गलत कॉलम में जाता है। लेकिन इसका मतलब यह भी है कि टेबल की एक पंक्ति एक ही सेल में आती है, जिसके मान एक-एक स्पेस से अलग होते हैं, और उसे कॉलमों में बाँटना आपको खुद होता है। अगर PDF ने अपनी टेबल एक बार में एक कॉलम करके बनाई थी, तो एक पंक्ति के मान इसके बजाय लगातार सेलों में आ सकते हैं।

इसमें OCR नहीं है, इसलिए स्कैन किया गया पेज टेक्स्ट के बजाय तस्वीर के रूप में आता है। जिस PDF को खोलने के लिए पासवर्ड चाहिए, उसे पहले अनलॉक करना होगा।

Excel में एक कॉलम को असली कॉलमों में बाँटना

काम के दूसरे हिस्से के लिए Excel में अच्छे टूल हैं:

"डेटा" टैब पर "टेक्स्ट टू कॉलम्स" किसी कॉलम को एक विभाजक चिह्न पर बाँट देता है। "डेलिमिटेड" चुनें, फिर "स्पेस"। यह तब अच्छा काम करता है जब मानों में खुद कोई स्पेस न हो, जो संख्याओं और कोड वाली टेबल में आम है। आखिरी चरण पर "एडवांस्ड" में आप दशमलव और हज़ारों के विभाजक सेट कर सकते हैं, जिससे "1.250,00" जैसे आँकड़े ठीक हो जाते हैं।
फ़्लैश फ़िल (Ctrl+E) एक उदाहरण से सीखता है। पहली पंक्ति से आपको जो मान चाहिए, उसे अगले कॉलम में टाइप करें, Ctrl+E दबाएँ, और Excel उसी पैटर्न पर चलकर बाकी भर देता है।
फ़ॉर्मूले, Microsoft 365 वाले Excel में। =TEXTSPLIT(A2," ") एक लाइन को कॉलमों में फैला देता है, और =TEXTAFTER(A2," ",-1) आखिरी स्पेस के बाद का सब कुछ लौटाता है, जो आम तौर पर लाइन के आखिर की रकम होती है। इसे संख्या में बदलने के लिए इसे VALUE() में लपेटें।

Windows पर Microsoft 365 वाला Excel "डेटा" > "गेट डेटा" > "फ़्रॉम फ़ाइल" > "फ़्रॉम PDF" के ज़रिए PDF को सीधे इंपोर्ट भी कर सकता है। यह खुद टेबल ढूँढता है, और साफ़ बॉर्डर वाली टेबल पर इसे आज़माना फ़ायदेमंद है।

आज़माने लायक दूसरे रास्ते

PDF से टेबल निकालने का सबसे भरोसेमंद तरीका है उसे PDF से निकालना ही नहीं। आँकड़े किसी स्प्रेडशीट, अकाउंटिंग सिस्टम या डेटाबेस में बने थे, और जिसने PDF बनाई, वह आम तौर पर वही डेटा स्प्रेडशीट या CSV फ़ाइल के रूप में एक्सपोर्ट कर सकता है। उदाहरण के लिए, कई बैंक आपको स्टेटमेंट PDF के साथ-साथ CSV के रूप में भी डाउनलोड करने देते हैं।

पूरे ग्रिड वाली टेबल के लिए PDF से Word आज़माना फ़ायदेमंद है। जब कोई टेबल उससे असली Word टेबल के रूप में आती है, तो आप उसे Excel में कॉपी कर सकते हैं और सेल, सेल ही रहते हैं। स्कैन की गई टेबल के लिए भी यही रास्ता है, क्योंकि PDF से Word स्कैन किए गए पेजों पर OCR चलाता है।

इस्तेमाल करने से पहले नतीजा जाँचें

निकालने की गलतियाँ चुपचाप होती हैं। गलत कॉलम का मान भी सही कॉलम के मान जितना ही ठीक दिखता है। निकाले गए डेटा पर भरोसा करने से पहले:

SUM से किसी कॉलम का जोड़ निकालें और उसे PDF में छपे कुल योग से मिलाएँ। अगर दोनों मेल खाते हैं, तो आँकड़े लगभग निश्चित रूप से सही आए हैं। यही सबसे अच्छी जाँच है।
पंक्तियों की गिनती PDF से मिलाएँ, और हर पेज की पहली और आखिरी पंक्ति को ध्यान से देखें, जहाँ पेज ब्रेक गड़बड़ी करते हैं।
टेक्स्ट के रूप में सेव की गई संख्याएँ ढूँढें। डिफ़ॉल्ट रूप से Excel उन्हें सेल में बाईं ओर रखता है और उन पर एक छोटा हरा त्रिकोण लगाता है।
कुछ तारीखें हाथ से जाँचें, खास तौर पर वे जिनमें दिन 12 या उससे कम हो।

निष्कर्ष

PDF की टेबल असल में टेबल की एक तस्वीर है, जो ऐसे टेक्स्ट और लाइनों से बनी है जो सिर्फ़ जुड़े हुए दिखते हैं। कन्वर्टर इसे रूल की हुई लाइनों से या खाली जगह से फिर से बनाते हैं, और अनियमित लेआउट पर दोनों तरीके विफल होते हैं। यह जानकर आप सही रास्ता चुन सकते हैं: जब हो सके तो मूल डेटा माँगें, जब न हो सके तो लाइनें निकालकर उन्हें Excel में बाँटें, और आँकड़ों को किसी ज़रूरी जगह भेजने से पहले हमेशा कुल योग जाँच लें।

किसी PDF का टेक्स्ट स्प्रेडशीट में चाहिए? PDF से Excel आज़माएँ।

← ब्लॉग पर वापस जाएँ