Spatial Table Extraction: Pag-convert ng mga Static PDF sa mga Na-edit na Spreadsheet
Ang mga dokumentong PDF ay idinisenyo para sa pare-parehong visual printing, hindi para sa naka-istrukturang pag-edit ng data. Hindi tulad ng mga spreadsheet, ang mga PDF ay hindi nag-iimbak ng mga native na talahanayan; nag-iimbak sila ng mga indibidwal na lumulutang na text glyph na may mga geometric coordinate marker.
Ang aming in-browser parser ay pinupunan ang agwat na ito sa pamamagitan ng high-precision spatial clustering. Sa pamamagitan ng pagsusuri sa mga character bounding box, taas ng font, at whitespace delimiter, nire-reconstruct nito ang mga tabular matrix sa lokal na RAM, na lumilikha ng malinis at naka-istrukturang Microsoft Excel workbook na handa para sa agarang pagkalkula.

