Excel ファイルとは：ブックは XML の ZIP、そして PDF には表が存在しない

難しさはすべて反対側にあります。PDF には表がありません。あるのはそれぞれ位置を持った文字の並びで、目に見える罫線は無関係な描画命令です。セルが存在することも、ましてやどの文字がどのセルに属するかも、ファイルのどこにも記録されていません。そのため格子は形状から推測するしかなく、有料のものも含め、これを行うツールはどれも実際にはそうしています。

推測は 2 段階で行います。行は共通のベースラインから求めます。そもそもページはそのように組版されているので、こちらは信頼できる半分です。列は横方向の範囲が重なることから求め、ある帯が列とみなされるには複数の行で繰り返し現れる必要があります。繰り返し現れることこそ、本物の列と、たまたまインデントされた段落とを分けるものです。左端だけでは機能しません。これは記録しておく価値があります。最初に思いつく実装であり、しかもごく普通の表で失敗するからです。6、96、240 を含む右揃えの数量の列は、左端がそれぞれ 1 桁ずつずれた 3 種類になるので、列が分裂し、すべての行に余計な空のセルができてしまいます。範囲の重なりなら、左揃え、右揃え、中央揃えのどれかを知らなくても対応できます。

セルに数値として入るものは、あえて控えめにしています。符号付きでもよい普通の 10 進数だけで、それ以外はありません。007、1,234、2026-09-10、+44 20、そして通貨記号の付いたものは、見たとおりのまま残ります。先頭のゼロ、桁区切り、日付はどれも、数値への変換で壊れてしまう情報だからです。小数点以下の桁数は保たれるので、48.50 は 48.5 ではなく 48.50 のまま届きます。制限は隠さずページに明記しています。結合セルはそれがまたがる最初の列に入り、文字が 2 行に折り返したセルは 2 行になり、1 ページにつき 1 シートが作られ、繰り返す列の構造がないページは行を 1 列に並べた形で戻ります。文章に対しては、それが誠実な答えです。