ছবি ও PDF থেকে টেবিল Excel বা CSV-তে বের করার উপায়

টুল বাছার আগে বুঝে নিন আপনার টেবিলটি আসলে কোন ধরনের, কারণ তিনটি সাধারণ উৎস তিন রকমভাবে ব্যর্থ হয়। PDF খুলে কার্সর দিয়ে একটি সংখ্যা সিলেক্ট করার চেষ্টা করুন। সংখ্যাটি আলাদাভাবে হাইলাইট হলে ফাইলটি টেক্সট PDF: প্রতিটি অক্ষর নির্দিষ্ট অবস্থানে টেক্সট হিসেবে সংরক্ষিত, আর এক্সট্র্যাকশনের কাজ মূলত সেই অক্ষরগুলোকে সারি ও কলামে সাজানো। পুরো পাতা একটি ব্লক হিসেবে হাইলাইট হলে, বা কিছুই না হলে, আপনার কাছে টেবিলের একটি ছবি আছে, আর আগে পিক্সেল পড়তে হবে।

তৃতীয় ক্ষেত্রটি সহজে চোখ এড়িয়ে যায়। পুরনো অ্যাকাউন্টিং সিস্টেম, টার্মিনাল প্রোগ্রাম ও ইমেইল বডি থেকে আসা অনেক রিপোর্ট টেবিলের মতো দেখায়, কিন্তু আসলে ট্যাব বা ফাঁকা জায়গা দিয়ে সাজানো সাধারণ টেক্সট। সেখানে কোনো সেল নেই, শুধু মনোস্পেসড বিন্যাস। এমন টেক্সটের স্ক্রিনশটে OCR চালালে যে তথ্য আপনার কাছে আগে থেকেই আছে তা নষ্ট হয়; টেক্সট কপি করে কলামে ভাগ করা দ্রুত এবং নির্ভুল। নিচের কার্ডগুলোতে প্রতিটি উৎসের প্রয়োজন সংক্ষেপে দেওয়া হলো।

টেবিল শনাক্তকরণ হলো দ্বিতীয় ধাপ, যা অক্ষর চেনার পরে চলে। প্রথমে সেল খোঁজা হয়: দাগ টানা টেবিলে অনুভূমিক ও উল্লম্ব রেখা অনুসরণ করে প্রতিটি ঘেরা বাক্সকে সেল ধরা হয়; দাগহীন টেবিলে ব্লকের পুরো উচ্চতা জুড়ে চলা ফাঁকা উল্লম্ব ফালি খোঁজা হয়। তারপর কলাম মেলানো হয়, যেমন ওপরের সংখ্যার থেকে কয়েক পিক্সেল ডানে থাকা সংখ্যাও একই কলামের বলে ধরা হয়।

এরপর আসে হেডার সারি। শনাক্তকারী এমন প্রথম সারি খোঁজে যা বোল্ড, শেড করা, বা সংখ্যার কলামের ওপরে থাকা শব্দে তৈরি, আর দুই লাইনে ভাঙা হেডারকে একটি সেলে জোড়ে। শেষ ধাপ মার্জ করা সেল: তিনটি মাসের কলাম জুড়ে থাকা Q1-এর মতো লেবেল ভেতরের রেখা না থাকা দেখে শনাক্ত করা হয় এবং হয় মার্জ করা সেল হিসেবে বানানো হয়, নয়তো প্রতিটি কলামে কপি করা হয়।

এর কোনোটিই বোঝার ক্ষমতা নয়। সফটওয়্যার জানে না কোনো কলামে তারিখ আছে বা কোনো সারি সাবটোটাল; সে শুধু জ্যামিতি ও অক্ষর দেখে। তাই একই টুল এক স্টেটমেন্টে নিখুঁত হয়েও অন্য ব্যাংকের পরের স্টেটমেন্টে গোলমাল করতে পারে, আর সেজন্যই টেবিলের ধরন ও হেডার সারি শনাক্ত করুন-এর মতো সেটিং আছে: এগুলো শনাক্তকারীকে এমন তথ্য দেয় যা সে নিজে নির্ভরযোগ্যভাবে অনুমান করতে পারে না।

বেশিরভাগ ব্যর্থতা দুই দলে পড়ে। জ্যামিতির ব্যর্থতায় গ্রিড ভেঙে যায়, ফলে মান ভুল সারি বা কলামে চলে যায়। সংখ্যার ব্যর্থতায় গ্রিড ঠিক থাকে কিন্তু সেলের অর্থ বদলে যায়, যা বেশি খারাপ কারণ শিটটি দেখতে ঠিকই লাগে। ভুল জায়গায় বসা কলাম এক নজরেই ধরা পড়ে; 1.234-কে হাজার না ধরে দশমিক ধরা পড়ে না।

সংখ্যার সমস্যার প্রধান কারণ লোকেল। যুক্তরাষ্ট্র ও যুক্তরাজ্যে লেখা হয় 1,234.56; জার্মানি, ব্রাজিল ও ইউরোপের বেশিরভাগ দেশে 1.234,56; ফ্রান্স হাজারের বিভাজক হিসেবে স্পেস ব্যবহার করে; সুইজারল্যান্ডে প্রায়ই 1'234.56-এর মতো অ্যাপস্ট্রফি; আর ভারতে অঙ্ক সাজানো হয় 1,23,456 ধরনে। অ্যাকাউন্টিং নথিতে ঋণাত্মক সংখ্যা বন্ধনীতে থাকে এবং মুদ্রার চিহ্ন অঙ্কের সঙ্গে লেগে থাকে। কোন বিষয়ে নজর রাখবেন এবং কীভাবে ঠিক করবেন, তা নিচে দেওয়া হলো।

ইনপুটে খরচ করা প্রতিটি মিনিট স্প্রেডশিটে কয়েক মিনিট বাঁচায়। OCR ইঞ্জিন সাধারণত প্রায় 300 dpi-তে স্ক্যান করা লেখার জন্য তৈরি, যা A4 বা US Letter পাতায় মোটামুটি 2480 × 3508 px বা 2550 × 3300 px। পাতা ফ্রেম ভরে থাকলে আধুনিক ফোনের ক্যামেরা সহজেই এর চেয়ে ভালো করে, কিন্তু ডেস্কের ওপার থেকে তোলা পুরো পাতার ছবি ছোট টেবিলে ক্রপ করলে রেজোলিউশন অনেক নিচে নেমে যেতে পারে।

রেজোলিউশনের মতোই কনট্রাস্ট গুরুত্বপূর্ণ। থার্মাল কাগজের রসিদ ফ্যাকাশে হয়ে যায়, ধূসর পটভূমিতে ধূসর টেবিল-রেখা মিলিয়ে যায়, আর পাতার ওপর ফোনের ছায়া একটি কলামকে মাঝখানে কেটে দিতে পারে। কাগজের যে নথি থেকে নিয়মিত তথ্য বের করেন, তার ক্ষেত্রে ডকুমেন্ট স্ক্যান করে PDF বানানোর গাইডে আলো ও স্ক্যানার সেটিং নিয়ে আরও বিস্তারিত আছে। আপলোডের আগে এই তালিকাটি মিলিয়ে নিন।

Excel-এর Data from Picture ২০১৯ সালে Android অ্যাপে এসেছিল, তারপর iPhone-এ, আর এখন Windows ও Mac-এর Microsoft 365 Excel-এ Data > From Picture-এর অধীনে আছে। আপনি একটি টেবিলের ছবি তোলেন বা লোড করেন, পাশের প্যানেলে শনাক্ত হওয়া সেলগুলো দেখে নেন (সন্দেহজনক মান চিহ্নিত থাকে), তারপর সেগুলো ঢুকিয়ে দেন। Google-এর পথটি কম সরাসরি: Drive-এ কোনো ছবি বা PDF-এ রাইট-ক্লিক করে Open with > Google Docs বেছে নিন। Google-এর নিজস্ব সহায়তা পেজ অনুযায়ী ফাইল ২ MB বা তার কম হতে হবে এবং PDF-এর প্রথম ১০ পেজই শুধু পড়া হয়। ফলাফল একটি ডকুমেন্ট হওয়ায় টেবিল প্রায়ই লেখার লাইন হিসেবে আসে, যা পরে Sheets-এ পেস্ট করে ভাগ করতে হয়।

Adobe Acrobat Pro একটি PDF-কে Microsoft Excel ওয়ার্কবুকে এক্সপোর্ট করে এবং এক্সপোর্টের সময় স্ক্যান করা পেজে OCR চালায়। Windows-এর Microsoft 365 Excel-এও Get Data > From File > From PDF দিয়ে টেক্সট PDF থেকে টেবিল নেওয়া যায়, যা Power Query খোলে; এটি শনাক্ত হওয়া প্রতিটি টেবিল পেজ অনুযায়ী তালিকাভুক্ত করে, স্টেটমেন্টের মাসিক পেজগুলো একটি টেবিলে জুড়তে দেয় এবং পরের মাসের ফাইল বদলালে রিফ্রেশ হয়। এটি স্ক্যান পড়তে পারে না, আর Mac-এর Excel-এ এই কানেক্টর নেই।

ব্রাউজার কনভার্টার কিছু ইনস্টল না করেই বাকি কাজ সারে। টেক্সট বা স্ক্যান করা PDF-এর জন্য PDF থেকে Excel প্রতিটি শনাক্ত টেবিলকে আলাদা শিট করে দেয়; ছবি বা স্ক্রিনশটের জন্য ছবি Excel-এ কনভার্ট করুন, আর অন্য প্রোগ্রামে ইমপোর্ট করতে হলে টেবিল CSV হিসেবে সেভ করুন। নিচের টেবিলে পাঁচটি পথের তুলনা আছে।

দেখতে ঠিক লাগা কনভার্ট করা টেবিল মানেই ভরসাযোগ্য টেবিল নয়। শুরুতে সারির সংখ্যা মেলান: স্টেটমেন্টে ৪৭টি লেনদেন থাকলে শিটে ৪৭টি ডেটা সারি থাকা উচিত; দুটি লাইন মিশে গিয়ে ৪৬ বা মোড়ানো বর্ণনা আলাদা সারি হয়ে ৪৯ হলে চলবে না। তারপর একটি সংখ্যার কলাম SUM দিয়ে যোগ করে ডকুমেন্টে ছাপা মোটের সঙ্গে মেলান। ডকুমেন্টে মোট না থাকলে কয়েকটি মান হাতে যোগ করে তুলনা করুন।

এরপর এমন সেল খুঁজুন যা শুধু সংখ্যার ভান করে। Excel-এ আসল সংখ্যা ডিফল্টভাবে ডানে এবং টেক্সট বামে সাজানো থাকে, তাই কলামে বামে সাজানো কয়েকটি অঙ্ক থাকলে সেটা একটা ইঙ্গিত; হেল্পার কলামে ISNUMBER দিলে সবগুলো একবারে ধরা পড়ে। তারিখেও একই সন্দেহ রাখুন। টেক্সট হিসেবে পড়া তারিখ বর্ণানুক্রমে সাজে, তাই 10/02 আসে 2/03-এর আগে, আর 03/04 লেখকভেদে ৩ এপ্রিল বা ৪ মার্চ হতে পারে।

সবশেষে কী বদলেছে তার চেয়ে কী হারিয়েছে তা দেখুন। লম্বা অ্যাকাউন্ট ও কার্ড নম্বর একটি পুরনো ফাঁদ: Excel ১৫টি তাৎপর্যপূর্ণ অঙ্ক পর্যন্ত সংখ্যা রাখে, তাই ১৬ অঙ্কের কার্ড নম্বর সংখ্যা হিসেবে টাইপ বা ইমপোর্ট হলে শেষ অঙ্কটি শূন্য হয়ে যায়।

কেউ Excel, Google Sheets বা Numbers-এ ডেটা নিয়ে কাজ করলে XLSX বেছে নিন। এতে একাধিক টেবিল আলাদা শিটে থাকে, সংখ্যা ও তারিখের আসল টাইপ, বোল্ড হেডার সারি এবং মার্জ করা সেল বজায় থাকে। সফটওয়্যার ইমপোর্ট করলে CSV বেছে নিন: বাজেট অ্যাপ, অ্যাকাউন্টিং প্যাকেজ, ডেটাবেস ও স্ক্রিপ্টে। CSV সাধারণ টেক্সট, প্রতি ফাইলে একটি টেবিল, যা ২০০৫ সালের RFC 4180-এ বর্ণিত; তিনটি গুরুত্বপূর্ণ সেটিং হলো ডিলিমিটার, এনকোডিং এবং সংখ্যা সংখ্যা হিসেবে রাখা হবে কি না।

ডিলিমিটার ইমপোর্টকারী প্রোগ্রামের সঙ্গে মিলতে হবে; দশমিকে কমা লেখা দেশগুলোতে Excel সেমিকোলন আশা করে। এনকোডিং ঠিক করে Müller বা São Paulo-র মতো নাম টিকবে কি না: Windows-এর Excel ডাবল-ক্লিকে BOM-সহ UTF-8 ঠিকভাবে পড়ে। শুরুর শূন্য হারানো একটি পুরনো সমস্যা। 02134-এর মতো মার্কিন ZIP কোড, কর্মচারী আইডি ও পণ্য কোড পরিমাণ নয়, শনাক্তকারী; কেউ সংখ্যা ধরলেই সেগুলো 2134 হয়ে যায়। আইডিতে ভরা টেবিলে সংখ্যাকে সংখ্যা হিসেবে রাখুন বন্ধ করুন, অথবা CSV ইমপোর্টের সময় ওই কলামগুলো Text হিসেবে সেট করুন।

একটি টেবিল বের করা সহজ কাজ; এক বছরের ইনভয়েস বা বারোটি মাসিক ব্যাংক স্টেটমেন্ট বের করা একটি ছোট ডেটা প্রজেক্ট। সম্ভব হলে সোর্স ডকুমেন্ট একই লেআউটে রাখুন এবং একবারে কনভার্ট করুন, যাতে প্রতিটি ফাইলে একই সেটিং পড়ে। টেক্সট PDF হলে একসঙ্গে ২০টি পর্যন্ত আপলোড করুন, প্রতিটি ৯৫ MB পর্যন্ত, এবং স্টেটমেন্টের লেনদেনের টেবিল একাধিক পেজে চললে শিট অপশনে সবকিছু একটি শিটে বেছে নিন। ছবি একবারে একটি টেবিলের হিসেবে কনভার্ট হয়, তাই কাগজের ইনভয়েসের স্তূপের জন্য আগে ছবি থেকে PDF দিয়ে পেজগুলো জুড়ে নিয়ে PDF পেজ-এ টেবিলওয়ালা পেজের পরিসর দেওয়া প্রায়ই দ্রুততর।

ব্যাচ শেষে ফলাফলগুলো একটি শিটে জুড়ুন এবং সোর্স ফাইলের নাম রাখার একটি কলাম যোগ করুন। ডকুমেন্টে বেশিরভাগ লেখা আর এক-দুটি টেবিল থাকলে PDF Word-এ কনভার্ট করলে অনুচ্ছেদ ও টেবিল একসঙ্গে থাকে।

ব্যাংক স্টেটমেন্ট, পেস্লিপ ও ইনভয়েসে অ্যাকাউন্ট নম্বর, ঠিকানা ও খরচের ইতিহাস থাকে, তাই এগুলো কোথায় যাচ্ছে ভেবে দেখুন। UltKit-এ আপলোড ও তৈরি ফাইল প্রসেসিংয়ের ৩০ মিনিট পর মুছে ফেলা হয় এবং কেউ সেগুলো পড়ে না। তবু সবচেয়ে নিরাপদ কপি সেটাই যা আপনার কম্পিউটার ছেড়ে যায় না: আপলোডের আগে অপ্রয়োজনীয় কলাম, যেমন পূর্ণ অ্যাকাউন্ট নম্বর, ক্রপ বা মুছে দিন এবং আর দরকার না থাকলে লোকাল এক্সপোর্ট ডিলিট করুন।