Excel 文件:工作簿是一个装满 XML 的 ZIP,而 PDF 里根本没有表格

难的部分完全在另一侧。PDF 里没有表格。它有的是一串串各自带位置的字形,而你看见的那些框线是与之无关的绘图指令——文件里没有任何地方记录着「这里有一个单元格」,更不用说哪些文字属于它。所以这个网格只能从几何关系里推断出来,而这也正是所有做这件事的工具实际在做的事,包括那些收费的。

推断分两步。行来自共享的基线,这是可靠的那一半,因为页面本来就是这么排出来的。列来自横向范围的重叠,而且一条带必须在若干行上反复出现才算一列——「反复出现」正是真正的列和一个恰好缩进了的段落之间的区别。只看左边缘是不行的,这一点值得记下来,因为它是最容易想到的第一版实现,而它恰恰在最普通的表格上失败:一个右对齐的数量列里装着 6、96 和 240,左边缘有三个不同的位置,彼此差一个数字宽,于是这一列会被拆开,每一行还多出一个空单元格。用重叠判断,则不需要知道它是左对齐、右对齐还是居中。

什么样的内容会被当成数字写进去,是刻意保守的:只有普通的、可带符号的小数,别的都不算。007、1,234、2026-09-10、+44 20,以及任何带货币符号的,都原样保留,因为前导零、千位分隔符和日期各自都是信息,强行转换会把它毁掉。小数位会保留,所以 48.50 到达时仍是 48.50 而不是 48.5。做不到的事写在页面上而不是藏起来:合并单元格会落在它跨越的第一列里,一个文字折成两行的单元格会变成两行,每页产出一个工作表;而一个没有重复列结构的页面会以单独一列的文本行返回——对散文来说,这就是诚实的答案。