Tệp Excel: workbook là gói ZIP chứa XML, còn PDF thì chẳng có bảng nào

Khó khăn nằm hoàn toàn ở phía bên kia. PDF không có bảng. Nó có các chuỗi ký tự, mỗi chuỗi kèm một vị trí, còn những đường kẻ bạn nhìn thấy là các lệnh vẽ không liên quan — không có gì trong tệp ghi lại rằng một ô tồn tại, chứ đừng nói đến chữ nào thuộc về ô nào. Vì vậy lưới phải được suy ra từ hình học, và đó là điều mọi công cụ làm việc này thực sự làm, kể cả những công cụ thu phí.

Việc suy luận diễn ra theo hai bước. Hàng được suy ra từ các đường chân chữ chung, đây là nửa đáng tin cậy vì đó chính là cách trang được dàn chữ ngay từ đầu. Cột được suy ra từ các khoảng ngang chồng lên nhau, và một dải phải lặp lại trên nhiều hàng mới được coi là cột — sự lặp lại là thứ phân biệt một cột thật với một đoạn văn tình cờ thụt lề. Chỉ dựa vào mép trái thì không được, điều đáng ghi lại vì đó là cách làm đầu tiên ai cũng nghĩ tới và nó thất bại ngay với loại bảng bình thường nhất: một cột số lượng căn phải chứa 6, 96 và 240 có ba mép trái khác nhau, mỗi mép lệch nhau một chữ số, nên cột bị tách ra và hàng nào cũng mọc thêm một ô trống thừa. Dựa vào phần chồng lấn thì xử lý được cả căn trái, căn phải lẫn căn giữa mà không cần biết mình đang gặp loại nào.

Những gì được đưa vào ô dưới dạng số được chọn một cách thận trọng có chủ ý: chỉ số thập phân đơn thuần, có thể có dấu, và không gì khác. 007, 1,234, 2026-09-10, +44 20 và mọi thứ mang ký hiệu tiền tệ được giữ đúng như khi xuất hiện, vì số 0 ở đầu, dấu phân cách hàng nghìn và ngày tháng đều là thông tin mà việc ép kiểu sẽ phá huỷ. Số chữ số thập phân được giữ, nên 48.50 đến nơi là 48.50 chứ không thành 48.5. Các giới hạn được nói rõ trên trang thay vì giấu đi: ô gộp được đặt vào cột đầu tiên mà nó trải qua, ô có chữ xuống hai dòng sẽ thành hai hàng, mỗi trang tạo ra một sheet, và trang không có cấu trúc cột lặp lại sẽ được trả về thành một cột gồm các dòng — câu trả lời trung thực cho văn xuôi.