Una tabla que sigue en la página siguiente sale como tablas separadas
Conviertes un listado que ocupa varias páginas y obtienes una tabla por cada página. La fila de encabezado vuelve a aparecer arriba en cada una, entre medias hay un «continuación» o un número de página, y en Excel la misma tabla se reparte en tantas hojas como páginas tenía. Lo que lleva tiempo es volver a unirlas a mano.
La causa es que un PDF se dibuja página a página y no registra que una tabla continúe. Su contenido son instrucciones: «dibuja este glifo en estas coordenadas», «traza una línea aquí». Nada dice que las filas de esta página prolonguen las de la anterior. El encabezado se imprime otra vez en cada página y entre medias queda un número de página o un «continuación», así que leído mecánicamente, una tabla se convierte en tantas tablas como páginas tenía.
Así que la continuidad hay que releerla a partir de la sucesión de páginas. PDFIntact compara la última tabla de una página con la primera de la siguiente y, cuando lo único que hay entre ellas se puede saltar —un número de página, un «continuación»—, las une en una sola tabla con el encabezado conservado una sola vez. Una tabla unida lleva además el rango de páginas que abarcaba.
Pruébalo ahora
Compruébalo con tu propio PDF
El análisis se realiza solo en tu navegador. Tu archivo nunca se sube y no hace falta cuenta. Comprueba antes de pagar cuántas páginas y cuántas tablas y figuras se pueden extraer.
Ejemplo
3つの表が、1つの表になります
3ページに分かれて出ていた表が、どう1つになるかを示した図です。実際の値ではなく、行の並び方だけを表しています。
そのまま変換したとき（ページごとの表）
［1ページ目の表］ 見出し行 行 A 行 B ［2ページ目の表］（続き） 見出し行 ← 2度目 行 C 行 D ［3ページ目の表］ 見出し行 ← 3度目 行 E
PDFIntact を通したとき（1つの表）
［1つの表］跨いだページ 1〜3 見出し行 行 A 行 B 行 C 行 D 行 E
3ページに跨る統計表で実際に確かめています。 3ページに分かれていた表が1つの表になり、見出し行は1行だけ、続く165行のデータは原本と同じ順序で並びました。
繋がない表もあります
同じ行のままページごとに列（項目）が変わる型の表は繋ぎません。 行として繋ぐと壊れるからです。その型の検体でも、3ページとも独立した表のままで、 誤って繋ぐことはありませんでした。 続きを示す語も「（続き）」のように括弧の中か行の端にある形だけを見ます。 「手続き」「続柄」のような語を含む本文で、無関係な表を繋いでしまわないためです。
形式ごとに、どう入るか
繋いだ表は1つの表として入りますが、跨いだページの範囲が残る形式は限られます。
Excel（.xlsx）
1つの表が1枚のシート。跨いでいた表も1枚に収まり、見出し行は1行です。シート名は表が始まったページの番号から付きます。罫線と結合セルは再現します。
Word（.docx）
文書順のまま、表が始まったページの位置に1つの表として入ります。
Markdown（.md）
同じ位置に、パイプ記法の1つの表として置きます。
JSON
繋いだ表にだけ、跨いでいたページの範囲（先頭と末尾）が入ります。繋いでいない表には付きません。
吸い上げられたページに残るもの
繋いだ行は先頭のページの表にまとまるので、後ろのページには表が残りません。 残るのは「（続き）」のキャプションだけで、それは本文のブロックとして出ます。 跨いでいたページは表の単位では辿れますが、行の単位では分かりません。 また、表として繋がることと、中の文字が正しく読めていることは別の話です。 ブロックごとの確度の帯を見て、結果は必ず元のPDFと照合してください。
Preguntas frecuentes
- ¿Una tabla que sigue en la página siguiente sale como una sola tabla?
- Para eso está. Se compara la última tabla de una página con la primera de la siguiente y, cuando lo único que hay entre ellas se puede saltar —un número de página, un pie que dice «continuación»—, las filas se unen en una sola tabla. En nuestras pruebas, un listado repartido en tres páginas salió como una tabla de 165 filas de datos, en el orden original. Cuando las dos no encajan, se dejan como tablas separadas en lugar de forzar la unión.
- ¿Se repite la fila de encabezado en la unión?
- No. El encabezado que vuelve a imprimirse arriba de cada página no pasa a la tabla unida: se conserva una sola vez, en la cabecera. En el listado de tres páginas que probamos, la tabla unida tenía una única fila de encabezado y debajo las filas de datos en el orden original.
- ¿Y una tabla cuyas columnas siguen en la página siguiente?
- Esas no se unen. Una tabla que mantiene las mismas filas y cambia de columnas en cada página quedaría destrozada al unirla por filas, así que se queda como una tabla por página. Lo comprobamos con una muestra exactamente de esa forma, que no se unió por error. Sale página a página, y el pie es la única señal de que van juntas.
- ¿Se puede saber por qué páginas pasaba la tabla?
- Para la tabla en conjunto, sí: una tabla unida lleva en la salida JSON la primera y la última página que abarcaba. De qué página procede cada fila no se registra. Ten en cuenta además que las páginas absorbidas ya no llevan tabla propia: en ellas solo queda el pie «continuación», como bloque de texto.
- ¿Cómo sale en Excel?
- Una tabla es una hoja, así que una tabla unida a lo largo de tres páginas llega como una sola hoja con una fila de encabezado, con el nombre de la página donde empieza la tabla. Para las páginas absorbidas no se crea hoja. Las líneas y las celdas combinadas se reproducen. El rango de páginas que abarcaba no se escribe en el archivo de Excel; está en la salida JSON.
Analizar un PDF con todos los síntomas／ Qué incluye cada formato