PDF в Excel: как на самом деле извлекаются таблицы

Вы видите таблицу в PDF: строки, столбцы, заголовок, итог внизу. Кажется очевидным, что конвертер должен перенести её прямо в таблицу Excel. Проблема в том, что в PDF нет таблицы. В нём есть инструкции нарисовать символы в одних местах и линии в других, а сетку, которую вы видите, складывают ваши глаза. Любой конвертер PDF в Excel вынужден восстанавливать таблицу из этих разрозненных кусочков, поэтому результаты бывают от идеальных до непригодных. В этом руководстве объясняется, как работает такое восстановление, где оно ломается и как в любом случае получить в Excel чистые числа.

Что на самом деле внутри таблицы в PDF

Возьмём строку счёта с тремя столбцами: «Консультации», «12 мар 2026» и «1 250,00». Внутри PDF это набор отдельных фрагментов текста, у каждого из которых есть координаты x и y. Фрагменты могут не совпадать со словами: одна программа записывает «1 250,00» одним куском, другая — как «1 2» и «50,00», а третья размещает каждый символ отдельно. Они даже не обязаны идти в порядке чтения. Некоторые программы рисуют всю таблицу по одному столбцу за раз.

Линии сетки — это отдельные инструкции рисования, никак не связанные с текстом. Толстая линия может быть нарисована множеством коротких отрезков, затенённая строка может быть залитым прямоугольником совсем без линий, а во многих таблицах линий нет вообще. Ничто в файле не говорит «это ячейка», «эти две ячейки объединены» или «эта строка относится к таблице».

Два способа, которыми конвертеры находят таблицу

Инструменты извлечения таблиц обычно используют один из двух методов. Инструменты с открытым исходным кодом, такие как Tabula и Camelot, называют их «lattice» (решётка) и «stream» (поток).

По линиям разметки (lattice). Конвертер собирает горизонтальные и вертикальные линии, находит их пересечения и считает каждую замкнутую область ячейкой. Затем он помещает каждый кусочек текста в ту ячейку, в которую тот попадает. Это очень хорошо работает для таблиц с полной сеткой. Метод не срабатывает, когда линий нет, когда линии разбиты на фрагменты, которые не совсем сходятся, или когда вместо границ используется заливка.
По пустому пространству (stream). Конвертер группирует текст в строки по высоте на странице, затем ищет вертикальные промежутки, которые последовательно проходят через строки, и считает их границами столбцов. Так обрабатываются таблицы без границ, например многие финансовые отчёты. Метод спотыкается, когда столбцы стоят близко друг к другу, когда столбец выровнен по центру, а не по краю, или когда длинное значение в одной строке перекрывает промежуток, разделяющий два столбца во всех остальных.

Оба метода эвристические. Они надёжны на чистых, правильных таблицах и ненадёжны на всём остальном, поэтому ни один конвертер не справляется со всеми таблицами.

Где извлечение таблиц ошибается

Даже когда столбцы найдены правильно, некоторые проблемы возникают снова и снова:

Переносы в ячейках. Описание, перенесённое на вторую строку, выглядит как новая строка, в которой заполнен только один столбец.
Объединённые и общие заголовки. Заголовок, стоящий над двумя столбцами, приходится отнести к одному из них или ни к одному.
Разрывы страниц. Таблица, продолжающаяся на следующей странице, повторяет заголовок, а строка может разорваться на границе страниц.
Числа, которые приходят как текст. Символы валют, разделители разрядов, отрицательные числа в скобках и знаки сносок рядом с числом могут помешать Excel распознать число. Десятичная точка, как в «1,250.00», распознаётся правильно, только если в вашем Excel используется тот же формат.
Неоднозначные даты. 03/04/2026 — это 3 апреля в одних странах и 4 марта в других, и Excel выберет вариант согласно вашим настройкам.
Шрифты без сопоставления с текстом. Некоторые PDF встраивают шрифты без таблицы, которая сопоставляет каждый глиф с символом. Отображаются они идеально, но при копировании или извлечении текста получается абракадабра.
Сканы. На отсканированной странице вообще нет текста, только его изображение, поэтому без предварительного OCR извлекать нечего.

Что делает наш инструмент «PDF в Excel»

Наш конвертер «PDF в Excel» работает в браузере, поэтому файл не загружается. Каждой странице PDF он отводит отдельный лист с именами «Страница 1», «Страница 2» и так далее. В столбец A он записывает каждую строку текста со страницы, сверху вниз, по одной строке текста в строке таблицы, а каждое изображение размещает в том месте страницы, где оно было нарисовано.

Он не пытается угадать, где находятся столбцы. Благодаря этому сохраняется каждая строка в порядке чтения, ничего не теряется и не попадает в неправильный столбец из-за неудачной догадки. Но это также значит, что строка таблицы попадает в одну ячейку, а её значения разделены одиночными пробелами, и разбивать её на столбцы приходится вам. Если PDF рисовал свою таблицу по одному столбцу за раз, значения одной строки могут вместо этого оказаться в соседних ячейках.

OCR здесь нет, поэтому отсканированная страница переносится как изображение, а не как текст. PDF, который открывается только с паролем, нужно сначала разблокировать.

Как разбить один столбец на настоящие столбцы в Excel

Для второй половины работы в Excel есть хорошие инструменты:

Текст по столбцам на вкладке «Данные» разбивает столбец по разделителю. Выберите «с разделителями», затем «пробел». Это хорошо работает, когда в самих значениях нет пробелов, что часто бывает в таблицах с числами и кодами. На последнем шаге с помощью кнопки «Подробнее» можно задать разделители целой и дробной части и разрядов, что исправляет числа вида «1,250.00».
Мгновенное заполнение (Ctrl+E) учится на примере. Введите в соседний столбец нужное значение из первой строки, нажмите Ctrl+E, и Excel заполнит остальное по тому же образцу.
Формулы в Excel для Microsoft 365. =ТЕКСТРАЗД(A2;" ") раскладывает строку по столбцам, а =ТЕКСТПОСЛЕ(A2;" ";-1) возвращает всё после последнего пробела — обычно это сумма в конце строки. Оберните результат в ЗНАЧЕН(), чтобы превратить его в число.

Excel для Microsoft 365 в Windows также умеет импортировать PDF напрямую: «Данные» > «Получить данные» > «Из файла» > «Из PDF». Он сам ищет таблицы, и его стоит попробовать на таблицах с чёткими границами.

Другие способы, которые стоит попробовать

Самый надёжный способ получить таблицу из PDF — вообще не извлекать её из PDF. Цифры изначально появились в таблице, бухгалтерской системе или базе данных, и тот, кто создал PDF, обычно может выгрузить те же данные в виде таблицы или файла CSV. Например, многие банки позволяют скачать выписку не только в PDF, но и в CSV.

Для таблицы с полной сеткой линий стоит попробовать «PDF в Word». Если таблица переносится как настоящая таблица Word, её можно скопировать в Excel, и ячейки останутся ячейками. Это также способ для отсканированной таблицы, ведь «PDF в Word» запускает OCR на отсканированных страницах.

Проверьте результат, прежде чем использовать его

Ошибки извлечения незаметны. Значение не в том столбце выглядит так же правдоподобно, как и в правильном. Прежде чем полагаться на извлечённые данные:

Сложите столбец с помощью СУММ и сравните результат с итогом, напечатанным в PDF. Если они совпадают, цифры почти наверняка перенесены правильно. Это лучшая из возможных проверок.
Сверьте количество строк с PDF и внимательно посмотрите на первую и последнюю строки каждой страницы, где разрывы страниц создают проблемы.
Поищите числа, сохранённые как текст. По умолчанию Excel выравнивает их по левому краю ячейки и отмечает маленьким зелёным треугольником.
Проверьте несколько дат вручную, особенно те, где день не больше 12.

Заключение

Таблица в PDF — это изображение таблицы, составленное из текста и линий, которые лишь выглядят связанными. Конвертеры восстанавливают её по линиям разметки или по пустому пространству, и оба метода ошибаются на нерегулярной вёрстке. Зная это, можно выбрать правильный путь: по возможности запросите исходные данные, а если нельзя — извлеките строки и разбейте их в Excel, и всегда проверяйте итоги, прежде чем цифры пойдут куда-то важное.

Нужен текст из PDF в таблице? Попробуйте «PDF в Excel».

← Назад в блог