Конвертировать PDF в CSV

PDF создала компания Adobe в 1993 году, чтобы страница выглядела одинаково на любом принтере и экране, а в 2008 году он стал открытым стандартом ISO 32000-1. Его задача — размещать символы в точных координатах. В большинстве PDF таблицы в смысле данных нет вовсе: выписка — это набор фрагментов текста, которые просто выстроены в столбцы, и линии между ними.

Поэтому при копировании таблицы из PDF в электронную таблицу всё так часто попадает в один столбец или сумма сливается с описанием. Теговый PDF, появившийся в PDF 1.4 в 2001 году и обязательный для стандарта доступности PDF/UA (ISO 14289), может размечать настоящие ячейки таблиц, но банковские системы и средства отчётности создают его редко. Конвертеру приходится восстанавливать сетку по координатам.

Банковские выписки и выписки по картам — самый частый источник. Многие банки дают скачать CSV или OFX за последние месяцы, а за более ранние — только PDF, поэтому тот, кто загружает год истории в YNAB, бюджет в таблице или программу бухгалтера, вынужден конвертировать PDF. Оставьте для Даты формат ISO, чтобы при импорте не перепутались день и месяц.

Вторая группа — прайс-листы поставщиков и складские отчёты: оптовик присылает каталог в PDF, а владельцу магазина нужны артикулы и цены в виде строк, чтобы обновить магазин. Исследователи и журналисты берут таблицы из государственных и годовых отчётов, чтобы анализировать их в R или pandas, где CSV — естественный вход. Если вашему конвейеру нужны структурированные записи, а не плоские строки, PDF в JSON запишет ту же таблицу как объекты с названиями заголовков в качестве ключей.

Всегда сверяйте итоги, прежде чем доверять результату. Если сумма в CSV совпадает с итогом, напечатанным в PDF, это самое быстрое доказательство того, что ни одна строка не разделилась и не пропала.