PDFからExcelへの変換

検出できるものとできないもの

PDFのページに保存されているのは、位置情報を持つテキストであり、スプレッドシートのセルではありません。このツールは、近接するテキストを行としてまとめ、繰り返される列位置を探し、欠けているセルを空欄で補います。規則的な表に見えない領域は除外します。位置を読み取る際には、ページの回転と表示範囲も考慮します。

検出処理は意図的に慎重な設計です。関係のないページテキストを、もっともらしいものの誤った表に変えるより、表なしと報告する方が安全です。計算、インポート、照合に使う前に、重要な値を必ず元のPDFと比較してください。

出力形式

XLSXでは、選択した表ごとに1つのワークシートを作成し、1回のダウンロードで最大200枚のワークシートを収録します。抽出した値はすべて文字列セルとして書き込まれます。数値、日付、数式、通貨、会計形式を推測することはなく、罫線、フォント、結合セル、元のページデザインも再現しません。

CSVとTSVでは、選択した表を1つずつ個別にダウンロードします。区切り文字はカンマ、セミコロン、タブから選べます。CSV形式のフィールドに区切り文字、引用符、改行が含まれる場合は二重引用符で囲み、レコードにはRFC 4180で一般的な形式として説明されているCRLF改行を使います。表計算ソフトとの互換性を高めるためUTF-8 BOMは標準で有効ですが、適切な区切り文字はインポート先のアプリと地域設定によって異なります。

スプレッドシート数式の安全性

PDFには、=、+、-、@で始まるテキストが含まれる場合があります。一部の表計算ソフトは、CSVを開くときにそのテキストを数式として解釈する可能性があります。数式保護は標準で有効です。先頭に空白がある場合や全角記号を使う場合も含め、数式のように見えるCSVセルに接頭文字を付け、文字列として保持されやすくします。

これはリスクを下げる対策であり、あらゆる環境での安全を保証するものではありません。OWASPのCSV Injection解説では、表計算ソフトによって動作が異なること、CSVを保存して開き直すとエスケープが変化し得ることが説明されています。信頼できないPDFでは保護を有効にしたまま、出力セルを確認し、マクロを有効にしたりセキュリティ警告を無視したりしないでください。XLSXでは抽出値を数式ではなく、明示的な文字列セルとして書き込みます。

上限とブラウザ内の非公開ストレージ

• 1回につき1つのPDFを処理し、上限は20 MiB、150ページです。
• テキスト断片、テキスト量、表データが多すぎるPDFは、ブラウザに過度な負荷がかかる前に拒否されます。
• 画面上のプレビューは各表の先頭100行を表示します。出力には、安全上限内で検出されたすべての行が含まれます。
• 1つのブックに収録できる選択済みワークシートは最大200枚です。
• パスワード保護または暗号化されたPDFには対応していません。利用許可のあるコピーを先に解除してください。
• 3ステップの処理中、元のPDF、検出した表、設定はこのブラウザの非公開ストレージに30分間保存されます。最大3件の処理、合計80 MiBまでのローカル処理データを保持します。
• 処理URLに含まれるのはランダムなジョブIDだけです。PDF、抽出値、ダウンロードファイルがLivewire経由で送信されたり、結果サーバーへアップロードされたりすることはありません。
• 最初からやり直すを選ぶと現在のローカル処理が削除されます。期限切れまたは無効な記録は、次回ブラウザストレージを確認したときに削除されます。

PDFはPDF.jsを通じてローカルのバイトデータから読み込まれます。ツールは通常のウェブアセットとしてアプリ用ライブラリをダウンロードしますが、その通信で選択したPDFを送信することはありません。

アクセシブルな確認操作

ファイル選択はキーボードで操作でき、進行状況とエラーは支援技術に通知されます。検出された表にはキャプションと列見出しがあります。小さな画面ではプレビューを横にスクロールでき、右から左方向の表では検出した方向を維持します。アクセシビリティ対応は抽出結果の確認に役立ちますが、正確さが重要な場合に原文との照合を不要にするものではありません。