Pliki Excel: skoroszyt to ZIP z XML, a PDF w ogóle nie ma tabel

Cała trudność leży po drugiej stronie. PDF nie ma tabel. Ma ciągi znaków, każdy z własnym położeniem, a widoczne linie to niezwiązane z nimi operacje rysowania — nic w pliku nie zapisuje, że komórka istnieje, nie mówiąc o tym, który tekst do niej należy. Siatkę trzeba więc wywnioskować z geometrii, i tak naprawdę robi to każde narzędzie, które to oferuje, łącznie z płatnymi.

Wnioskowanie przebiega w dwóch krokach. Wiersze wynikają ze wspólnych linii bazowych, i to jest ta niezawodna połowa, bo właśnie tak stronę złożono. Kolumny wynikają z nakładających się zakresów poziomych, a pasmo musi powtarzać się w kilku wierszach, zanim zostanie uznane za kolumnę — powtarzalność odróżnia prawdziwą kolumnę od akapitu, który akurat ma wcięcie. Same lewe krawędzie nie wystarczają, i warto to zapisać, bo to oczywista pierwsza implementacja, która zawodzi na najzwyklejszej tabeli: kolumna ilości wyrównana do prawej z wartościami 6, 96 i 240 ma trzy różne lewe krawędzie, każda przesunięta o cyfrę, więc kolumna się rozpada, a każdy wiersz dostaje zbędną pustą komórkę. Nakładanie się zakresów obsługuje wyrównanie do lewej, do prawej i do środka bez potrzeby wiedzy, z którym ma do czynienia.

To, co trafia do komórki jako liczba, jest celowo zachowawcze: zwykłe liczby dziesiętne, opcjonalnie ze znakiem, i nic więcej. 007, 1,234, 2026-09-10, +44 20 i wszystko z symbolem waluty zostaje dokładnie takie, jak wyglądało, bo zero na początku, separator tysięcy i data to informacje, które wymuszenie liczby by zniszczyło. Miejsca dziesiętne są zachowywane, więc 48.50 przychodzi jako 48.50, a nie 48.5. Ograniczenia są podane na stronie, a nie ukryte: scalone komórki trafiają do pierwszej kolumny, którą obejmują, komórka z tekstem zawiniętym na dwie linie staje się dwoma wierszami, na każdą stronę powstaje jeden arkusz, a strona bez powtarzalnej struktury kolumn wraca jako jedna kolumna linii — co jest uczciwą odpowiedzią dla prozy.