Estrarre tabelle da PDF
Una pagina i cui valori sono allineati da tabulazioni, come Cable, 25 e 1,20, diventa una tabella con tre colonne con nome e tre righe di dati. Un paragrafo senza colonne allineate viene rifiutato invece di diventare una tabella falsa. Gratis nel suo browser.
- Gratis
- Funziona nel suo browser
- Senza registrazione
- I suoi dati restano sul dispositivo
Esegui gratis nel browser
È il passaggio deterministico tra l'estrazione del testo da un PDF e l'uso reale dei numeri che contiene, senza OCR e senza supposizioni dell'IA.
Dal testo PDF grezzo a una tabella strutturata
Quando un estrattore di testo elabora una pagina PDF, le tabelle tornano come righe di testo piatto. Una persona distingue ancora le colonne perché i valori si allineano — separati da tabulazioni o da spaziature di due o più spazi —, ma un programma no. Questa capacità colma il divario.
Lei invia le righe grezze della pagina e il sistema trova le colonne allineate: ogni riga viene divisa in base al separatore rilevato, il numero di colonne che si ripete tra le righe viene preso come forma della tabella e ogni riga viene tagliata in celle. La prima riga diventa l'intestazione per impostazione predefinita, quindi l'output è un array columns con i nomi più un array rows con i dati, pronti per diventare oggetti o essere caricati in un dataframe.
Tutto è deterministico — lo stesso testo produce sempre la stessa tabella —, il che la rende sicura in una pipeline automatizzata dove un OCR o un modello di visione introdurrebbe variazioni silenziose.
Come funziona davvero l'analisi
Per prima cosa vengono scartate le righe vuote e ogni riga rimanente viene divisa in celle. In modalità auto l'analizzatore usa le tabulazioni quando una riga ne contiene una, altrimenti ricorre a sequenze di due o più spazi — può anche forzare una delle due strategie con il parametro delimiter. Solo le righe che producono almeno due celle sono candidate alla tabella.
Tra queste, l'analizzatore cerca il numero di colonne che si ripete: la moda della distribuzione. Una tabella vera è un insieme di righe che concordano su quante colonne hanno, quindi le righe con un conteggio diverso — un paragrafo spezzato, un piè di pagina isolato — vengono messe da parte. Se nessun conteggio si ripete almeno due volte, o ci sono meno di due righe candidate, l'input viene rifiutato: non c'è nessuna tabella da trovare.
Lo disattivi per dati senza intestazione e i nomi sintetici si applicano a tutte le righe.
Dove si colloca e cosa non è
Sia chiaro su cosa non è. Non legge il file PDF in sé — lavora su testo che Lei ha già estratto. Non elabora pagine scansionate, perché non hanno un livello di testo; per immagini di tabelle serve una capacità basata su OCR.
E si aspetta colonne allineate, non prosa: il testo scorrevole viene rifiutato invece di essere deformato in una tabella fasulla.
Casi d'uso
Automatizzare una pipeline di acquisizione report
Esegua l'analizzatore dopo il Suo estrattore di testo su ogni pagina e carichi solo quelle che contengono tabelle: le altre vengono rifiutate in modo pulito e non addebitate.
Domande frequenti
Legge direttamente il file PDF?
No. Analizza il livello di testo grezzo di una pagina che Lei fornisce. Estragga prima il testo con un estrattore di testo PDF e poi invii le righe qui.
Quali separatori di colonna sono supportati?
Tabulazioni o sequenze di due o più spazi. La modalità automatica rileva quale usa la pagina; può anche forzare tabulazioni o spazi con il parametro delimiter.
Cosa succede quando il testo non contiene una tabella?
Le chiamate non valide vengono rifiutate prima dell'addebito, quindi non costano nulla.
Funziona con i PDF scansionati?
No. Una scansione è un'immagine e non ha un livello di testo da analizzare. Usi un estrattore di tabelle OCR per i documenti scansionati; questa capacità è per i PDF digitali con testo selezionabile.
Il mio documento viene archiviato?
No. Il testo viene elaborato in memoria e scartato; viene restituita solo la tabella analizzata.
Strumenti correlati
Per sviluppatori — accesso via API
Tutto quello che vedi in questa pagina è disponibile anche via API. Questa sezione è per i team che vogliono integrarlo nei propri sistemi; chi non ne ha bisogno può semplicemente usare lo strumento qui sopra.
Endpoint
Autenticazione con Bearer token: un POST mette in coda l'attività e il risultato arriva via webhook o link firmato.
Chiamala dal tuo stack
curl -X POST https://api.kit.forhosting.com/pdf/extract-tables \
-H "Authorization: Bearer $KIT_KEY" \
-H "Content-Type: application/json" \
-d '{"text":"Item\tQty\tUnit price\nWidget\t12\t9.99\nGadget\t3\t24.50"}'const res = await fetch("https://api.kit.forhosting.com/pdf/extract-tables", {
method: "POST",
headers: {
"Authorization": `Bearer ${process.env.KIT_KEY}`,
"Content-Type": "application/json"
},
body: JSON.stringify({
"text": "Item\tQty\tUnit price\nWidget\t12\t9.99\nGadget\t3\t24.50"
})
});
const { task_id } = await res.json();import os, requests
res = requests.post(
"https://api.kit.forhosting.com/pdf/extract-tables",
headers={"Authorization": f"Bearer {os.environ['KIT_KEY']}"},
json={
"text": "Item\tQty\tUnit price\nWidget\t12\t9.99\nGadget\t3\t24.50"
},
)
task_id = res.json()["task_id"]<?php
$res = file_get_contents("https://api.kit.forhosting.com/pdf/extract-tables", false, stream_context_create([
"http" => [
"method" => "POST",
"header" => "Authorization: Bearer " . getenv("KIT_KEY") . "\r\nContent-Type: application/json",
"content" => '{"text":"Item\\tQty\\tUnit price\\nWidget\\t12\\t9.99\\nGadget\\t3\\t24.50"}',
],
]));
$task = json_decode($res, true);body := bytes.NewBufferString(`{"text":"Item\tQty\tUnit price\nWidget\t12\t9.99\nGadget\t3\t24.50"}`)
req, _ := http.NewRequest("POST", "https://api.kit.forhosting.com/pdf/extract-tables", body)
req.Header.Set("Authorization", "Bearer "+os.Getenv("KIT_KEY"))
req.Header.Set("Content-Type", "application/json")
res, _ := http.DefaultClient.Do(req)Esempio di richiesta
{
"text": "Item\tQty\tUnit price\nWidget\t12\t9.99\nGadget\t3\t24.50"
}Esempio di risposta
{
"task_id": "tsk_a1b2c3d4e5f6a1b2c3d4e5f6",
"type": "pdf.extract_tables",
"status": "queued",
"_links": {
"result": "/tasks/tsk_…/result"
}
}L'API è asincrona: ricevi subito un task_id e puoi fare polling fino a 1 richiesta al secondo.
Prezzi
Prezzo pubblicato, senza token né crediti. Se l'attività fallisce, non paghi.
Limiti
max_mb | 1 |
max_lines | 5000 |
Errori
| HTTP | Codice | Significato |
|---|---|---|
401 | unauthorized | Chiave API mancante o non valida: controlla l'header Authorization. |
402 | insufficient_balance | Credito esaurito: ricarica per continuare a eseguire attività. |
404 | unknown_type | Tipo di attività sconosciuto: controlla il campo type della richiesta. |
429 | rate_limited | Troppe richieste in poco tempo: rallenta e riprova tra qualche secondo. |
Note tecniche
L'API per estrarre tabelle dal testo dei PDF prende il livello di testo grezzo di una pagina PDF — le righe restituite da un estrattore di testo, dove le colonne sono allineate con tabulazioni o sequenze di spazi — e la trasforma in una tabella strutturata e pulita: nomi di colonna, righe di dati e conteggi, in JSON pronto per un foglio di calcolo, un'importazione in un database o uno script.
Dal testo PDF grezzo a una tabella strutturata
Se la pagina non contiene colonne allineate, la chiamata fallisce con un chiaro errore invalid_input invece di inventare una tabella, e le chiamate fallite non vengono addebitate.
Come funziona davvero l'analisi
Con has_header attivo, la prima riga della tabella dà il nome alle colonne; le celle di intestazione vuote o duplicate vengono sostituite con col_1, col_2 e così via, così ogni nome di colonna in uscita è utilizzabile.
Dove si colloca e cosa non è
La usi come seconda fase di una pipeline di dati PDF: estragga il livello di testo con un estrattore, chiami questo endpoint su ogni pagina che contiene una tabella e carichi le righe risultanti dove servono. Poiché l'analisi è puro trattamento del testo, viene eseguita all'edge in millisecondi, costa $0.002 a chiamata, e lo stesso codice gira gratis nel Suo browser in questa pagina, quindi può provare il testo di una pagina incollandolo prima di automatizzare qualsiasi cosa. È utile anche per lavori occasionali: incolli il testo della pagina di un report, ottenga il JSON e lo converta in CSV con un passaggio in più.
Casi di integrazione
Recuperare un listino prezzi da una pagina PDF
Estragga il testo della pagina, lo invii e ottenga le colonne articolo, quantità e prezzo come righe JSON pronte per l'importazione in un foglio di calcolo.
Convertire un dump di dati senza intestazione
Disattivi il rilevamento dell'intestazione con has_header=false e ottenga nomi stabili col_1..col_n per ogni riga di un elenco allineato con spazi.
Domande tecniche
Quanto costa?
$0.002 a chiamata. Lo stesso analizzatore gira anche gratis nel Suo browser in questa pagina, quindi paga solo quando lo automatizza tramite l'API.