Extrae las tablas de un PDF
Cargas un PDF con una tabla (el extracto bancario, la lista de precios, el horario) y la recuperas en las columnas correctas, lista para copiar en Excel o descargar en CSV. Se acabó el copiar y pegar que lo amontona todo en una columna. El archivo no sale de tu navegador.
Por qué copiar y pegar un PDF pierde las columnas
Dentro de un PDF no hay «tablas»: hay muchos trocitos de texto, cada uno con su posición en la página. Cuando copias y pegas, el ordenador los pone en fila y las columnas desaparecen. Aquí en cambio se leen las coordenadas de cada trozo de texto: los que están a la misma altura hacen una fila, los que están en columna hacen una columna, y la tabla se recompone como la ves en la hoja.
Copiar para Excel o descargar en CSV
El botón Copiar para Excel pone la tabla en el portapapeles en el formato que Excel y Hojas de cálculo de Google entienden al vuelo: pegas y las columnas se separan solas. El CSV es un archivo, con el separador correcto para tu idioma. Las primeras 60 filas se ven en la vista previa; en el archivo están todas.
Si las columnas no cuadran, las arreglas tú
El reconocimiento automático funciona bien en las tablas con las columnas bien separadas, pero un documento puede tener dos columnas tan cerca que parezcan una, o una descripción larga que se desborde. Por eso está el campo Columnas: si el número reconocido está mal, lo cambias y la tabla se rehace dividida en ese número de columnas iguales. No es magia que siempre acierta: es una herramienta que te deja corregir cuando hace falta, en vez de darte un resultado equivocado sin decirlo.
Cómo se comprueba que es correcto
Extraer una tabla es una heurística, y una heurística hay que probarla contra un juez independiente: aquí la tabla sacada de un PDF se compara, celda por celda, con pdfplumber, una biblioteca que hace justo esto. Y en un extracto bancario falso la suma de la columna de importes debe cuadrar al céntimo: es lo que cualquiera con el extracto real comprobaría primero.
Lo que no hace
No lee los escaneos: si el PDF es una foto de una hoja, dentro no hay texto sino solo una imagen, y ahí no hay nada que encolumnar (te lo dice, y te manda a Imagen a texto). No reconstruye las tablas con celdas combinadas de forma complicada, y en columnas muy cercanas puede fallar: para eso está la corrección a mano. Si solo necesitas el texto sin columnas está Extraer texto de un PDF, y para abrir un CSV en Excel sin estropear los números De CSV a Excel.