العودة إلى الأعمال
مشروع شخصي · أداة مكتبية لـ Windows

Table Extractor

تحوّل الجداول في ملفات PDF والصور الممسوحة إلى جداول Excel نظيفة. تعمل دون اتصال على جهاز Windows واحد، وتبيّن لك الخلايا التي تحتاج إلى مراجعة.

  • الإصدار 1.1.0
  • 70 اختبارًا آليًا
  • تعمل دون اتصال
مستند نموذجي وهمي

المشكلة

صفحتان متقابلتان حقيقيتان من كتالوج تضمان جدولين. ويجب أن تصل كل قيمة إلى عرض السعر دون خطأ.

2,115قيمة في صفحتين متقابلتين
  • جدولان
  • 45 صفًا
  • 28 و19 عمودًا
كل مربع قيمة واحدة. الرسم بمقياس صحيح، وليس الصفحة الحقيقية.

لماذا تفشل برامج تحويل PDF إلى Excel العادية هنا

  • خط صغير جدًا

    الأرقام الصغيرة تختلط في الصورة الممسوحة، فقد يصبح 3 مثلًا 8.

  • عناوين صفوف مدمجة على أربعة مستويات

    عنوان صف واحد يمتد على صفوف كثيرة. فتكرره البرامج أو تحذفه أو تزيح الصفوف.

  • جداول تمتد على صفحتين

    يبدأ الجدول في الصفحة اليسرى وينتهي في اليمنى. فتحصل على نصفين مكسورين.

  • نجوم محفوظة كرموز

    بعض رموز الطرازات فيها نجوم من خط رموز خاص. فتظهر حروفًا غريبة أو تختفي.

  • خطوط شبكة باهتة

    نسخ آلات التصوير المكتبية تُضعف الخطوط الرفيعة بين الخلايا، فتتفكك الشبكة.

  • أختام وملاحظات جانبية

    الختم أو الملاحظة الجانبية تُقرأ كأنها جزء من الجدول.

كيف تعمل

خمس خطوات بكلمات بسيطة. افتح "التفاصيل التقنية" لمن يريد المزيد.

  1. الفتح

    ملف PDF الرقمي والصورة الممسوحة يُقرآن بطريقتين مختلفتين. ملف PDF الرقمي يحمل نصه بداخله. أما الصورة الممسوحة فهي صورة فقط.

    التفاصيل التقنية

    تقرأ pdfplumber كلمات ملف PDF الرقمي وخطوطه. وتعرض PDFium كل صفحة بدقة 300 DPI أو أكثر لمسار الصور.

  2. التنظيف

    تُعدَّل الصور الممسوحة وتُوضَّح قبل قراءة أي شيء.

    التفاصيل التقنية

    تصحح OpenCV ميل الصفحة وتديرها تلقائيًا، وتزيل الظلال، وتكبّر الصفحات الممسوحة بأقل من 300 DPI.

  3. إيجاد الشبكة

    تجد الصفوف والأعمدة والخلايا المدمجة.

    التفاصيل التقنية

    كشف الخطوط، مع استعادة الخطوط الباهتة. لا تُدمج الخلايا إلا حيث لا يفصلها خط. والجداول التي بلا خطوط تُقسَّم حسب المسافات البيضاء والمحاذاة.

  4. قراءة النص

    النص في ملف PDF الرقمي يُنسخ كما هو. والنص في الصورة الممسوحة يقرؤه OCR، وهو برنامج يقرأ النص المطبوع من الصورة.

    التفاصيل التقنية

    نماذج PaddleOCR PP-OCRv6 تعمل على ONNX Runtime، على المعالج. والخلايا غير المؤكدة تُقرأ مرة ثانية.

  5. التحقق والتصدير

    كل خلية تأخذ نوعًا (رقم أو تاريخ أو نص) ودرجة ثقة. ثم يُكتب ملف Excel.

    التفاصيل التقنية

    تُطابَق المجاميع المطبوعة مع صفوفها. وتُلوَّن الخلايا بالأصفر تحت ثقة 85% وبالأحمر تحت 60%. وتكتب openpyxl الملف، ونص المستند يُحفظ دائمًا كنص.

شاشة المراجعة تضع الصفحة بجانب جدول قابل للتعديل. اضغط على خلية لترى مقطعها من الصفحة. الأدوات: فلتر "ما يحتاج إلى مراجعة فقط"، ورسم جدول، وإعادة OCR، وتحريك الخطوط. وتضم أيضًا الجداول التي تكمل على الصفحات التالية، ومنها الجداول التي تكمل أعمدتها على الصفحة التالية.

مدى دقتها

قيست على صفحة كتالوج حقيقية من شركة مصنّعة وعلى صحائف مواصفات، في أربعة أشكال للمستند نفسه.

الدقة
نسبة الخلايا التي تطابق مفتاح إجابة دقيقًا.
مفتاح الإجابة
الجدول الصحيح مكتوبًا خلية بخلية. ولا تُحسب الخلية إلا إذا طابقته تمامًا.
DPI
عدد النقاط في البوصة، أي مدى وضوح الصورة الممسوحة. والبرنامج يحتاج إلى 300 DPI أو أكثر.
نسبة الخلايا المطابقة لمفتاح الإجابة
المدخلصفحة كتالوج حقيقيةصحائف المواصفات
ملف PDF الأصلي
100%0 خلية من كل 1,000 تحتاج إلى تصحيح
100%0 خلية من كل 1,000 تحتاج إلى تصحيح
مسح بدقة 400 DPI
99.1%9 خلية من كل 1,000 تحتاج إلى تصحيح
99.9%1 خلية من كل 1,000 تحتاج إلى تصحيح
مسح بدقة 300 DPI
98.1%19 خلية من كل 1,000 تحتاج إلى تصحيح
99.9%1 خلية من كل 1,000 تحتاج إلى تصحيح
نسخة آلة تصوير مكتبية
96.7%33 خلية من كل 1,000 تحتاج إلى تصحيح
97.9%21 خلية من كل 1,000 تحتاج إلى تصحيح

صور الهاتف والمسح بأقل من 300 DPI نتائجها أضعف. والبرنامج ينبهك تحت 300 DPI.

السرعة

  • 4.03 ثانيةللصفحة في ملف PDF من 220 صفحة، في أول تشغيل
  • 0.011 ثانيةللصفحة عند فتح الملف نفسه مرة أخرى، من الذاكرة المؤقتة

قيست على جهاز المطوّر.

الخصوصية والأمان

قوائم الأسعار وعروض الأسعار حساسة. لذلك لا يخرج شيء من الجهاز.

  • تعمل دون اتصال

    اختُبرت والشبكة محجوبة. لا رفع للملفات، ولا تتبع، ولا سحابة، ولا فحص للتحديثات.

  • كلمات المرور لا تُحفظ

    كلمة مرور ملف PDF تمر عبر قناة داخلية. ولا تصل أبدًا إلى القرص أو الذاكرة المؤقتة أو السجل، ولا حتى إلى ملف مؤقت.

  • الذاكرة المؤقتة تُمسح وحدها

    تُحفظ النتائج مؤقتًا لفتح الملفات بسرعة. وتُمسح وحدها بعد 30 يومًا، وبضغطة واحدة تمسحها الآن.

  • ملفات Excel آمنة

    الخلية التي تبدأ بعلامة = قد تعمل كمعادلة. ونص ملف PDF يُكتب دائمًا كنص عادي، فلا يمكن أن يصبح معادلة مخفية.

لأفضل النتائج

  • استخدم ملف PDF الأصلي. حقق 100% على صفحة الكتالوج الحقيقية.
  • امسح بدقة 300 DPI أو أكثر. استخدم 400 للخط الصغير جدًا. تحت 300 يعمل البرنامج، لكنه ينبهك.
  • تجنب صور الهاتف. الزوايا المائلة والظلال هي أضعف حالة حاليًا.

حدود بصراحة

ما لا تجيده بعد.

  • الجداول الإنجليزية فقط. وقد تختلط الحروف والأرقام المتشابهة في رموز الطرازات على المسح الباهت.
  • صور الهاتف والمسح بأقل من 300 DPI أضعف، حتى بعد التكبير.
  • في اختبار المشروع الصعب، ما زالت الشبكات الباهتة المتقطعة والزوايا الشديدة الميل والأختام تفشل.
  • جدولان مختلفان متتاليان لهما العناوين نفسها قد يُدمجان بالخطأ.
  • البرنامج غير موقّع رقميًا بعد، لذلك يظهر تحذير Windows SmartScreen.

الأدوات

Python 3.12، مجمّعة في برنامج Windows واحد عبر PyInstaller. تعمل على المعالج، ولا تحتاج إلى صلاحيات تثبيت.

  • Python 3.12
  • PySide6نافذة البرنامج (Qt)
  • OpenCVتنظيف الصورة وخطوط الشبكة
  • ONNX Runtimeتشغيل نماذج OCR
  • RapidOCRنماذج PaddleOCR PP-OCRv6
  • pdfplumberنص ملف PDF وخطوطه
  • PDFiumعرض الصفحات
  • openpyxlالتصدير إلى Excel
  • ReportLabتصدير PDF قابل للبحث

لا توجد مكونات بترخيص GPL أو AGPL. واستُبعدت PyMuPDF بسبب ترخيص AGPL.

الاختبارات

  • 70اختبارًا آليًا، تُطابَق مع مفاتيح إجابة دقيقة
  • 0ثغرات معروفة في فحص pip-audit للمكتبات بإصداراتها المحددة
  • 0أخطاء أنواع في Pyright، وRuff نظيف

بُنيت بمساعدة وكلاء برمجة AI

كتب وكلاء برمجة AI الكود. وأنا وجّهت العمل واختبرت كل إصدار.

  • Codex

    بنى المراحل من 2 إلى 6 في الخطة، وإصلاح بدء التشغيل، وإصلاحات ضم الصفحات.

  • Claude Code

    أصلح نسخة آلة تصوير لصحيفة مواصفات، وأعاد تصميم شاشة المراجعة.

  • أنا

    كتبت ملف المشروع الذي يتبعه الوكيلان، وحددت ما يجب أن ينجح، واختبرت كل إصدار مقابل مفاتيح الإجابة.

ملف المشروع محفوظ في المستودع، فيعمل كل وكيل بالقواعد نفسها.

عرض تفاعلي

شاهد الصفحة تتحول إلى جدول

أربعة مستندات وهمية، ومخرجات الأداة الحقيقية لكل منها. تنقّل بين الخطوات الخمس، وراجع درجات الثقة، واضغط على أي خلية لترى من أين جاءت.

مستندات نموذجية وهميةافتح النسخة التجريبية