Jak převést tabulku z obrázku a PDF do Excelu nebo CSV

Než zvolíte nástroj, zjistěte, jakou tabulku vlastně máte, protože tři běžné zdroje selhávají každý jinak. Otevřete PDF a zkuste kurzorem označit jedno číslo. Pokud se zvýrazní samo, jde o textové PDF: každý znak je uložen jako text na přesné pozici a extrakce spočívá hlavně ve slučování znaků do řádků a sloupců. Pokud se zvýrazní celá stránka jako jeden blok, nebo nic, držíte obrázek tabulky a pixely musí nejdřív někdo přečíst.

Třetí případ snadno přehlédnete. Mnoho přehledů ze starších účetních systémů, terminálových programů a těl e-mailů vypadá jako tabulka, ale je to prostý text zarovnaný tabulátory nebo řadami mezer. Žádné buňky tam nejsou, jen neproporcionální rozvržení. OCR na snímku takového textu zahodí informace, které už máte; rychlejší a přesné je text zkopírovat a rozdělit do sloupců. Karty níže shrnují, co který zdroj potřebuje.

Rozpoznání tabulky je druhý průchod, který běží po rozpoznání znaků. Nejdřív hledá buňky: u tabulek s čárami sleduje vodorovné a svislé čáry a každé uzavřené pole bere jako buňku; u tabulek bez ohraničení hledá svislé pruhy prázdného místa po celé výšce bloku. Potom zarovná sloupce a rozhodne, že číslo posunuté o pár pixelů doprava oproti tomu nad ním patří do stejného sloupce.

Následuje řádek záhlaví. Rozpoznávač hledá první řádek, který je tučný, stínovaný nebo tvořený slovy nad sloupci čísel, a záhlaví zalomená na dva řádky spojí do jedné buňky. Posledním krokem jsou sloučené buňky: popisek jako Q1 přes tři měsíční sloupce se pozná podle chybějících vnitřních čar a buď se sestaví jako sloučená buňka, nebo se zkopíruje do každého sloupce, který pokrývá.

Nic z toho není porozumění textu. Software neví, že sloupec obsahuje data nebo že řádek je mezisoučet; vidí jen geometrii a znaky. Proto může být stejný nástroj bezchybný u jednoho výpisu a zpřeházet další z jiné banky a proto vůbec existují volby jako Styl tabulky a Rozpoznat řádek záhlaví: dávají rozpoznávači informaci, kterou nedokáže spolehlivě odvodit.

Většina selhání spadá do dvou skupin. Geometrická selhání rozbijí mřížku, takže hodnoty skončí ve špatném řádku nebo sloupci. Číselná selhání nechají mřížku nedotčenou, ale změní význam buňky, což je horší, protože list vypadá v pořádku. Posunutý sloupec je vidět na první pohled; 1.234 přečtené jako desetinné číslo místo tisíce ne.

Hlavním zdrojem potíží s čísly je místní konvence. USA a Spojené království píší 1,234.56; Německo, Brazílie a většina kontinentální Evropy 1.234,56; Francie používá jako oddělovač tisíců mezeru; Švýcarsko často apostrof, například 1'234.56; a Indie seskupuje číslice jako 1,23,456. Účetní doklady přidávají záporná čísla v závorkách a symboly měn přilepené k číslicím. Zde je, na co si dát pozor a co který případ řeší.

Každá minuta strávená přípravou vstupu ušetří několik minut v tabulce. OCR jsou běžně laděná na text skenovaný zhruba na 300 dpi, což u stránky A4 nebo US Letter znamená přibližně 2480 × 3508 px, respektive 2550 × 3300 px. Moderní telefon to snadno překoná, pokud stránka vyplní záběr, ale fotka celé stránky z druhého konce stolu oříznutá na malou tabulku může klesnout hluboko pod tuto hodnotu.

Kontrast je stejně důležitý jako rozlišení. Účtenky na termopapíru blednou, šedé čáry tabulky na šedém pozadí zmizí a stín telefonu přes stránku může rozpůlit sloupec. Pokud z papírového dokumentu čerpáte pravidelně, průvodce skenováním dokumentů do PDF podrobněji popisuje osvětlení a nastavení skeneru. Před nahráním projděte tento seznam.

Funkce Data z obrázku v Excelu přišla do aplikace pro Android v roce 2019, pak na iPhone a nyní je v Excelu pro Microsoft 365 ve Windows i na Macu v nabídce Data > Z obrázku. Vyfotíte nebo načtete jednu tabulku, v postranním panelu zkontrolujete rozpoznané buňky se zvýrazněnými pochybnými hodnotami a vložíte je. Google nabízí méně přímou cestu: na Disku klikněte pravým tlačítkem na obrázek nebo PDF a zvolte Otevřít v aplikaci > Dokumenty Google. Nápověda Googlu to omezuje na soubory do 2 MB a čte jen prvních 10 stránek PDF, výsledkem je dokument, takže tabulka často přijde jako řádky textu, které pak vložíte do Tabulek a rozdělíte.

Adobe Acrobat Pro exportuje PDF do sešitu Microsoft Excel a při exportu spustí OCR na naskenovaných stránkách. Excel pro Microsoft 365 ve Windows umí také načíst tabulky z textového PDF přes Načíst data > Ze souboru > Z PDF, což otevře Power Query; ten vypíše každou nalezenou tabulku podle stránky, umožní připojit měsíční stránky výpisu do jedné tabulky a obnoví se, když podstrčíte soubor dalšího měsíce. Skeny nečte a Excel pro Mac tento konektor nemá.

Zbytek pokryjí převodníky v prohlížeči bez instalace. U textového i naskenovaného PDF PDF do Excelu převede každou nalezenou tabulku na samostatný list; u fotky nebo snímku obrazovky převeďte obrázek do Excelu nebo uložte tabulku jako CSV, pokud ji bude importovat jiný program. Tabulka porovnává těchto pět cest.

Převedená tabulka, která vypadá správně, ještě není tabulka, na kterou se můžete spolehnout. Začněte počtem řádků: pokud výpis uvádí 47 transakcí, list by měl mít 47 datových řádků, ne 46, protože se dva řádky slily, nebo 49, protože se zalomený popis stal samostatným řádkem. Potom funkcí SUM sečtěte jeden číselný sloupec a porovnejte ho s celkem vytištěným na dokumentu. Pokud dokument celek neuvádí, sečtěte několik hodnot ručně a porovnejte.

Dále hledejte buňky, které jen předstírají, že jsou čísla. V Excelu se skutečná čísla zarovnávají vpravo a text vlevo, takže sloupec s několika vlevo zarovnanými částkami něco naznačuje; funkce ISNUMBER v pomocném sloupci je najde všechny najednou. Stejně podezřelá jsou data. Datum přečtené jako text se řadí abecedně, takže 10/02 skončí před 2/03 a 03/04 může znamenat 3. dubna nebo 4. března podle toho, kdo to psal.

Nakonec zkontrolujte, co se ztratilo, ne jen co se změnilo. Dlouhá čísla účtů a karet jsou klasická past: Excel ukládá čísla s 15 platnými číslicemi, takže 16místné číslo karty zadané nebo naimportované jako číslo má poslední číslici změněnou na nulu.

Zvolte XLSX, když budou s daty pracovat lidé v Excelu, Tabulkách Google nebo Numbers. Zachová více tabulek na samostatných listech, skutečné typy čísel a dat, tučné řádky záhlaví i sloučené buňky. Zvolte CSV, když je bude importovat software: rozpočtové aplikace, účetní programy, databáze a skripty. CSV je prostý text s jednou tabulkou na soubor, popsaný v RFC 4180 z roku 2005, a záleží na třech nastaveních: oddělovači, kódování a tom, zda se čísla ukládají jako čísla.

Oddělovač musí odpovídat importujícímu programu; Excel v zemích, kde se desetinná část píše s čárkou, očekává středníky. Kódování rozhoduje o tom, zda přežijí jména jako Müller nebo São Paulo: UTF-8 s BOM Excel pro Windows správně přečte po dvojkliku. Úvodní nuly jsou klasická ztráta. Americké PSČ jako 02134, ID zaměstnanců a kódy produktů jsou identifikátory, ne množství, a jakmile s nimi cokoli zachází jako s čísly, změní se na 2134. U tabulek plných ID vypněte Ukládat čísla jako čísla nebo CSV importujte s těmito sloupci nastavenými na Text.

Extrakce jedné tabulky je jednoduché hledání; extrakce roku faktur nebo dvanácti měsíčních bankovních výpisů je malý datový projekt. Zdrojové dokumenty držte pokud možno ve stejném rozvržení a převádějte je najednou, aby každý soubor dostal stejné nastavení. U textových PDF nahrávejte až 20 souborů najednou, každý do 95 MB, a když tabulka transakcí pokračuje přes stránky, zvolte v možnosti Listy hodnotu Vše na jednom listu. Fotky se převádějí po jednom obrázku tabulky, takže u hromady papírových faktur je často rychlejší nejprve sloučit stránky pomocí obrázku do PDF a v možnosti Stránky PDF zadat rozsah s tabulkami.

Po dávce připojte výsledky do jednoho listu a přidejte sloupec se jménem zdrojového souboru. Pokud jsou dokumenty převážně text s jednou či dvěma tabulkami, převod PDF do Wordu zachová odstavce i tabulky pohromadě.

Bankovní výpisy, výplatní pásky a faktury obsahují čísla účtů, adresy a historii výdajů, takže zvažte, kam je posíláte. V UltKit se nahrané i vytvořené soubory mažou 30 minut po zpracování a nikdo je nečte. Přesto je nejbezpečnější kopie ta, která váš počítač nikdy neopustí: před nahráním oříznete nebo začerníte sloupce, které nepotřebujete, třeba úplná čísla účtů, a zbytečné lokální exporty smažte.