استخراج الجداول من الصور وملفات PDF إلى Excel أو CSV

قبل اختيار الأداة، اعرف نوع الجدول الذي بين يديك، لأن المصادر الثلاثة الشائعة تفشل بطرق مختلفة. افتح ملف PDF وحاول تحديد رقم واحد بالمؤشر. إذا تحدد الرقم وحده فالملف PDF نصي: كل حرف مخزَّن كنص في موضع دقيق، والاستخراج يقتصر في الغالب على تجميع هذه الأحرف في صفوف وأعمدة. وإذا تحددت الصفحة كلها ككتلة واحدة، أو لم يتحدد شيء، فأنت أمام صورة لجدول، ولا بد أن يُقرأ البكسل أولًا.

الحالة الثالثة يسهل تفويتها. كثير من التقارير الصادرة من أنظمة محاسبة قديمة وبرامج الطرفية ونصوص رسائل البريد تبدو كجداول، لكنها نص عادي محاذى بعلامات تبويب أو بسلاسل من المسافات. لا توجد خلايا إطلاقًا، بل تنسيق بخط ثابت العرض. تشغيل OCR على لقطة شاشة لهذا النص يضيّع معلومات تملكها أصلًا؛ ونسخ النص وتقسيمه إلى أعمدة أسرع وأدق. تلخّص البطاقات التالية ما يحتاجه كل مصدر.

التعرف على الجداول مرحلة ثانية تعمل بعد معرفة الأحرف. يبحث أولًا عن الخلايا: في الجداول ذات الخطوط يتتبع الخطوط الأفقية والرأسية ويعدّ كل مربع محاط خلية؛ وفي الجداول بلا حدود يبحث عن فراغات رأسية تمتد على كامل ارتفاع الكتلة. ثم يحاذي الأعمدة، فيقرر أن رقمًا يقع على بعد بكسلات قليلة يمين الرقم الذي فوقه ينتمي إلى العمود نفسه.

بعد ذلك يأتي صف العناوين. تبحث أدوات التعرف عن صف أول غامق أو مظلل أو مؤلف من كلمات فوق أعمدة من الأرقام، وتضم العناوين الملتفة على سطرين في خلية واحدة. والخلايا المدموجة هي الخطوة الأخيرة: يُكتشف عنوان مثل Q1 يمتد على ثلاثة أعمدة شهرية من غياب الخطوط الداخلية، ثم يُعاد بناؤه خلية مدموجة أو يُنسخ في كل عمود يغطيه.

ليس في هذا كله فهم للمقروء. البرنامج لا يعرف أن عمودًا يحوي تواريخ أو أن صفًا مجموع فرعي؛ يرى الهندسة والأحرف فقط. ولذلك قد تنجح الأداة نفسها تمامًا في كشف حساب ثم تُربك الكشف التالي من بنك آخر، ولهذا توجد إعدادات مثل نمط الجدول واكتشاف صف العناوين: فهي تعطي أداة التعرف معلومة لا تستطيع استنتاجها بثقة.

تنقسم معظم حالات الفشل إلى مجموعتين. أخطاء الهندسة تكسر الشبكة فتقع القيم في صف أو عمود خاطئ. وأخطاء الأرقام تُبقي الشبكة سليمة لكنها تغيّر معنى الخلية، وهذا أسوأ لأن الجدول يبدو سليمًا. العمود في غير موضعه واضح من النظرة الأولى، أما قراءة 1.234 على أنه كسر عشري بدل ألف فليست كذلك.

الإعدادات الإقليمية هي المصدر الرئيسي لمشكلات الأرقام. تكتب الولايات المتحدة والمملكة المتحدة 1,234.56؛ وألمانيا والبرازيل ومعظم أوروبا القارية تكتب 1.234,56؛ وفرنسا تستعمل مسافة فاصلًا للآلاف؛ وسويسرا تستعمل غالبًا الفاصلة العليا كما في 1'234.56؛ والهند تجمع الأرقام هكذا 1,23,456. وتضيف المستندات المحاسبية الأرقام السالبة بين قوسين ورموز العملات الملتصقة بالأرقام. وفيما يلي ما ينبغي الانتباه إليه وما يعالج كل حالة.

كل دقيقة تقضيها في تحسين المدخل توفر عدة دقائق في جدول البيانات. تُضبط محركات OCR عادة للنص الممسوح بدقة نحو 300 dpi، أي لصفحة A4 أو US Letter نحو 2480 × 3508 px أو 2550 × 3300 px. وكاميرا الهاتف الحديث تتجاوز ذلك بسهولة إن ملأت الصفحة الإطار، لكن صورة صفحة كاملة ملتقطة من بعيد ثم مقصوصة على جدول صغير قد تنخفض كثيرًا دونه.

التباين لا يقل أهمية عن الدقة. تبهت إيصالات الورق الحراري، وتختفي خطوط الجدول الرمادية على خلفية رمادية، وقد يقطع ظل هاتفك عمودًا نصفين. وإن كان الأصل مستندًا ورقيًا ستستخرج منه بانتظام، فإن دليل مسح المستندات ضوئيًا إلى PDF يشرح الإضاءة وإعدادات الماسح بتفصيل أكبر. وقبل الرفع، راجع هذه القائمة.

ظهرت ميزة Data from Picture في Excel بتطبيق Android عام 2019، ثم على iPhone، وهي الآن في Excel لـ Microsoft 365 على Windows وMac ضمن Data > From Picture. تصوّر جدولًا واحدًا أو تحمّله، وتراجع الخلايا المتعرَّف عليها في لوحة جانبية تنبّه إلى القيم المشكوك فيها، ثم تدرجها. وتقدم Google طريقًا أقل مباشرة: في Drive انقر بزر الفأرة الأيمن على صورة أو PDF واختر Open with > Google Docs. وتحصر صفحة مساعدة Google هذا بالملفات التي لا تتجاوز 2 MB، وتقرأ أول 10 صفحات فقط من ملف PDF، والناتج مستند، فيصل الجدول غالبًا أسطر نص تلصقها في Sheets ثم تقسّمها.

يصدّر Adobe Acrobat Pro ملف PDF إلى مصنف Microsoft Excel ويشغّل OCR على الصفحات الممسوحة أثناء التصدير. ويستطيع Excel لـ Microsoft 365 على Windows أيضًا سحب الجداول من PDF نصي عبر Get Data > From File > From PDF الذي يفتح Power Query؛ فيعرض كل جدول مكتشف حسب الصفحة، ويتيح إلحاق صفحات كشف الحساب الشهرية في جدول واحد، ويتحدث عند استبدال ملف الشهر التالي. لكنه لا يقرأ الممسوحات ضوئيًا، وExcel لـ Mac لا يملك هذا الموصّل.

تغطي محولات المتصفح الباقي دون تثبيت أي شيء. لملف PDF نصي أو ممسوح، يحوّل PDF إلى Excel كل جدول مكتشف إلى ورقة مستقلة؛ ولصورة أو لقطة شاشة، حوّل الصورة إلى Excel أو احفظ الجدول بصيغة CSV إذا كان برنامج آخر سيستورده. يقارن الجدول بين الطرق الخمس.

الجدول المحوَّل الذي يبدو صحيحًا ليس بعد جدولًا يمكن الاعتماد عليه. ابدأ بعدد الصفوف: إذا كان كشف الحساب يسرد 47 معاملة فينبغي أن تضم الورقة 47 صف بيانات، لا 46 بسبب دمج سطرين، ولا 49 بسبب وصف ملتف صار صفًا مستقلًا. ثم اجمع عمودًا رقميًا واحدًا بالدالة SUM وقارنه بالإجمالي المطبوع في المستند. وإن لم يكن في المستند إجمالي، فاجمع بضع قيم يدويًا وقارن.

بعد ذلك ابحث عن الخلايا التي تتظاهر بأنها أرقام. في Excel تُحاذى الأرقام الحقيقية إلى اليمين افتراضيًا والنص إلى اليسار، فعمود فيه بضعة مبالغ محاذاة إلى اليسار يخبرك بشيء؛ وتجدها الدالة ISNUMBER في عمود مساعد دفعة واحدة. وتستحق التواريخ الشك نفسه. فالتاريخ المقروء كنص يُرتَّب أبجديًا، فيقع 10/02 قبل 2/03، وقد يعني 03/04 الثالث من أبريل أو الرابع من مارس بحسب كاتبه.

وأخيرًا، تحقق مما فُقد لا مما تغيّر. أرقام الحسابات والبطاقات الطويلة فخ معروف: يخزّن Excel الأرقام بـ 15 خانة معنوية، فرقم بطاقة من 16 خانة يُكتب أو يُستورد كرقم يتحول رقمه الأخير إلى صفر.

اختر XLSX عندما سيعمل شخص على البيانات في Excel أو Google Sheets أو Numbers. فهو يحتفظ بعدة جداول في أوراق منفصلة، وبأنواع حقيقية للأرقام والتواريخ، وبصفوف العناوين الغامقة والخلايا المدمجة. اختر CSV عندما سيستورده برنامج: تطبيقات الميزانية وبرامج المحاسبة وقواعد البيانات والسكربتات. CSV نص عادي بجدول واحد في كل ملف، وهو موصوف في RFC 4180 الصادر عام 2005، والإعدادات الثلاثة المهمة هي الفاصل والترميز وهل تُحفظ الأرقام كقيم رقمية.

يجب أن يطابق الفاصل البرنامج المستورِد؛ فبرنامج Excel في البلدان التي تكتب الكسور العشرية بفاصلة يتوقع فاصلة منقوطة. ويحدد الترميز ما إذا كانت أسماء مثل Müller أو São Paulo ستبقى سليمة: UTF-8 مع BOM هو ما يقرؤه Excel لنظام Windows بشكل صحيح عند النقر المزدوج. والأصفار البادئة هي الخسارة الكلاسيكية. فالرموز البريدية الأمريكية مثل 02134 وأرقام الموظفين ورموز المنتجات معرّفات وليست كميات، وتتحول إلى 2134 بمجرد أن يعاملها أي برنامج كأرقام. أوقف حفظ الأرقام كقيم رقمية للجداول المليئة بالمعرّفات، أو استورد ملف CSV مع ضبط تلك الأعمدة على نص.

استخراج جدول واحد عملية بسيطة، أما استخراج فواتير سنة كاملة أو اثني عشر كشف حساب بنكي شهري فهو مشروع بيانات صغير. أبقِ المستندات المصدر بالتنسيق نفسه قدر الإمكان، وحوّلها دفعة واحدة ليحصل كل ملف على الإعدادات نفسها. مع ملفات PDF النصية، ارفع حتى 20 ملفًا في المرة الواحدة، بحجم أقصاه 95 MB لكل ملف، واختر كل شيء في ورقة واحدة ضمن خيار الأوراق عندما يمتد جدول المعاملات في الكشف عبر عدة صفحات. أما الصور فتُحوَّل صورة جدول واحدة في كل مرة، ولذلك فمع كومة من الفواتير الورقية يكون الأسرع غالبًا دمج الصفحات أولًا عبر تحويل الصور إلى PDF ثم تحديد النطاق الذي يضم الجداول في صفحات PDF.

بعد الدفعة، ألحق النتائج في ورقة واحدة مع عمود يسجل اسم الملف المصدر. وإذا كانت المستندات نصوصًا في معظمها مع جدول أو اثنين، فإن تحويل PDF إلى Word يحافظ على الفقرات والجداول معًا.

تحمل كشوف الحسابات البنكية وقسائم الرواتب والفواتير أرقام حسابات وعناوين وسجل إنفاق، فانتبه إلى الجهة التي ترسلها إليها. في UltKit تُحذف الملفات المرفوعة والملفات الناتجة بعد 30 دقيقة من المعالجة ولا يطلع عليها أحد. ومع ذلك فأأمن نسخة هي التي لا تغادر حاسوبك: اقصص الأعمدة غير اللازمة أو أخفِها، مثل أرقام الحسابات الكاملة، قبل الرفع، واحذف الملفات المصدّرة محليًا عند عدم الحاجة إليها.