Два вида PDF
Первый вид: текстовый PDF, созданный из Excel или Word. В нём текст лежит слоем, и таблицу можно извлечь почти без потерь. Второй вид: скан или фото документа. Это картинка, и сначала нужно распознавание текста (OCR), после которого ошибки неизбежны, особенно в цифрах и артикулах.
Бывает и смешанный вариант: текстовый PDF, в который таблица вставлена картинкой. Это легко проверить, попробовав выделить цену мышью: если не выделяется, перед вами изображение.
Поэтому первое, что делаю: смотрю ваш файл и сообщаю, к какому типу он относится и какое качество можно ожидать.
Что мешает при извлечении
- таблица без линий: границы столбцов приходится угадывать по отступам;
- строки, разорванные между страницами, и повторяющиеся шапки;
- объединённые ячейки с названием раздела над группой товаров;
- артикулы с ведущими нулями и пробелами;
- цены с разделителями тысяч и валютой в ячейке;
- колонтитулы и водяные знаки, попадающие в текст.
Что получите
Таблицу в xlsx или csv, где одна позиция занимает одну строку, а раздел прайса вынесен в отдельный столбец. Если поставщик регулярно присылает обновлённый PDF с постоянной структурой, настраиваю обработчик: вы кладёте файл в папку, а на выходе получаете готовую таблицу.
PDF поставщика бывает закрытым для третьих лиц или иметь ограничения по использованию, поэтому обрабатываю только те документы, которые вам разрешено использовать.
Проверка результата
После извлечения сверяю число позиций с документом, выборочно сравниваю страницы с исходником и помечаю сомнительные строки: пустую цену, подозрительный артикул, склеенные названия. Эти строки вы видите отдельным списком и можете быстро проверить глазами.
Если в документе есть цены в разных валютах или с пометкой «по запросу», такие значения остаются в отдельном столбце как текст, чтобы формулы не считали их за ноль. Для оценки пришлите сам файл или несколько его страниц, в том числе самые неудобные.