Udtræk tabeller fra billeder og PDF til Excel eller CSV

Før du vælger et værktøj, skal du finde ud af, hvilken slags tabel du faktisk har, for de tre almindelige kilder fejler på hver sin måde. Åbn PDF'en, og prøv at markere ét enkelt tal med markøren. Hvis tallet bliver markeret for sig, er filen en tekst-PDF: Hvert tegn er gemt som tekst på en præcis position, og udtræk handler mest om at gruppere tegnene i rækker og kolonner. Hvis hele siden markeres som én blok, eller intet markeres, har du et billede af en tabel, og nogen skal først læse pixlerne.

Det tredje tilfælde er let at overse. Mange rapporter fra ældre regnskabssystemer, terminalprogrammer og e-mails ligner tabeller, men er ren tekst, der er stillet op med tabulatorer eller rækker af mellemrum. Der er slet ingen celler, kun et layout med fast tegnbredde. Hvis du kører OCR på et skærmbillede af den tekst, kaster du information væk, du allerede har. Det er hurtigere og mere præcist at kopiere teksten og dele den op i kolonner. Kortene nedenfor opsummerer, hvad hver kilde kræver.

Tabelgenkendelse er et andet trin, der kører, når tegnene er kendt. Først finder den cellerne: På tabeller med linjer følger den de vandrette og lodrette streger og behandler hver afgrænset boks som en celle; på tabeller uden kanter leder den efter lodrette striber af tomt rum, der løber i hele blokkens højde. Derefter justerer den kolonnerne og afgør, at et tal, der står få pixel til højre for tallet over, stadig hører til samme kolonne.

Så følger overskriftsrækken. Genkendelsen leder efter en første række, der er fed, skraveret eller består af ord over kolonner med tal, og samler overskrifter, der fylder to linjer, i én celle. Flettede celler er det sidste trin: En etiket som Q1, der spænder over tre månedskolonner, opdages ud fra de manglende indre linjer og genopbygges enten som en flettet celle eller kopieres til hver af de kolonner, den dækker.

Intet af dette er tekstforståelse. Softwaren ved ikke, at en kolonne indeholder datoer, eller at en række er en subtotal; den ser kun geometri og tegn. Derfor kan det samme værktøj være fejlfrit på ét kontoudtog og lave rod i det næste fra en anden bank, og derfor findes indstillinger som Tabeltype og Genkend overskriftsrække overhovedet: De giver genkendelsen en oplysning, den ikke pålideligt kan udlede selv.

De fleste fejl falder i to grupper. Geometrifejl ødelægger gitteret, så værdier havner i den forkerte række eller kolonne. Talfejl lader gitteret være intakt, men ændrer, hvad en celle betyder, og det er værre, fordi arket ser fint ud. En forskudt kolonne ses med det samme; 1.234 læst som decimaltal i stedet for tusind gør ikke.

Landeindstillinger er den største kilde til talproblemer. USA og Storbritannien skriver 1,234.56; Tyskland, Brasilien og det meste af det kontinentale Europa skriver 1.234,56; Frankrig bruger mellemrum som tusindtalsseparator; Schweiz bruger ofte apostrof, som i 1'234.56; og Indien grupperer cifre som 1,23,456. Regnskabsdokumenter tilføjer negative tal i parentes og valutasymboler klistret til cifrene. Her er, hvad du skal holde øje med, og hvad der løser hvert tilfælde.

Hvert minut brugt på input sparer flere i regnearket. OCR-motorer er ofte indstillet til tekst scannet ved omkring 300 dpi, hvilket for en A4- eller US Letter-side betyder cirka 2480 × 3508 px eller 2550 × 3300 px. Et moderne telefonkamera klarer det let, hvis siden fylder billedet, men et foto af hele siden taget på afstand og derefter beskåret til en lille tabel kan ligge langt under.

Kontrast betyder lige så meget som opløsning. Kvitteringer på termopapir bliver blege, grå tabellinjer på grå baggrund forsvinder, og en skygge fra din telefon henover siden kan skære en kolonne over. Hvis originalen er et papirdokument, du jævnligt skal udtrække fra, gennemgår guiden til scanning af dokumenter til PDF lys og scannerindstillinger mere detaljeret. Gå denne liste igennem, før du uploader.

Excels Data fra billede kom i Android-appen i 2019, derefter på iPhone, og findes nu i Excel til Microsoft 365 på Windows og Mac under Data > Fra billede. Du fotograferer eller indlæser én tabel, gennemgår de genkendte celler i et sidepanel, der markerer tvivlsomme værdier, og indsætter dem. Google tilbyder en mindre direkte vej: I Drive højreklikker du på et billede eller en PDF og vælger Åbn med > Google Docs. Googles egen hjælpeside begrænser det til filer på 2 MB eller derunder og læser kun de første 10 sider af en PDF, og resultatet er et dokument, så tabellen kommer ofte som tekstlinjer, du derefter indsætter i Sheets og deler op.

Adobe Acrobat Pro eksporterer en PDF til en Microsoft Excel-projektmappe og kører OCR på scannede sider under eksporten. Excel til Microsoft 365 på Windows kan også hente tabeller fra en tekst-PDF med Hent data > Fra fil > Fra PDF, som åbner Power Query; den viser alle fundne tabeller pr. side, lader dig føje et kontoudtogs månedssider sammen til én tabel og opdaterer, når du skifter til næste måneds fil. Den læser ikke scanninger, og Excel til Mac har ikke denne forbindelse.

Konvertere i browseren dækker resten uden installation. Til en tekst-PDF eller scannet PDF laver PDF til Excel hver fundet tabel om til sit eget ark; til et foto eller skærmbillede kan du konvertere billedet til Excel eller gemme tabellen som CSV, når et andet program skal importere den. Tabellen sammenligner de fem veje.

En konverteret tabel, der ser rigtig ud, er endnu ikke en tabel, du kan stole på. Start med antallet af rækker: Hvis kontoudtoget viser 47 transaktioner, skal arket have 47 datarækker, ikke 46, fordi to linjer er smeltet sammen, eller 49, fordi en ombrudt beskrivelse er blevet sin egen række. Læg derefter én talkolonne sammen med SUM, og sammenlign med totalen på dokumentet. Hvis dokumentet ikke har en total, så læg nogle værdier sammen i hånden og sammenlign.

Led derefter efter celler, der kun udgiver sig for at være tal. I Excel er rigtige tal som standard højrejusteret og tekst venstrejusteret, så en kolonne med nogle få venstrejusterede beløb fortæller dig noget; ISNUMBER i en hjælpekolonne finder dem alle på én gang. Datoer fortjener samme mistro. En dato læst som tekst sorteres alfabetisk, så 10/02 havner før 2/03, og 03/04 kan betyde 3. april eller 4. marts afhængigt af, hvem der har skrevet den.

Til sidst skal du tjekke, hvad der gik tabt, ikke kun hvad der blev ændret. Lange konto- og kortnumre er en klassisk faldgrube: Excel gemmer tal med 15 betydende cifre, så et 16-cifret kortnummer, der er indtastet eller importeret som tal, får sidste ciffer ændret til et nul.

Vælg XLSX, når en person skal arbejde med data i Excel, Google Sheets eller Numbers. Det bevarer flere tabeller på separate ark, rigtige tal- og datotyper, fede overskriftsrækker og flettede celler. Vælg CSV, når software skal importere dem: budgetapps, regnskabsprogrammer, databaser og scripts. CSV er ren tekst med én tabel pr. fil, beskrevet i RFC 4180 fra 2005, og de tre indstillinger, der betyder noget, er skilletegn, tegnkodning og om tal gemmes som tal.

Skilletegnet skal passe til det program, der importerer; Excel i lande, der skriver decimaler med komma, forventer semikolon. Tegnkodningen afgør, om navne som Müller eller São Paulo overlever: UTF-8 med BOM er det, Excel til Windows læser korrekt ved dobbeltklik. Foranstillede nuller er det klassiske tab. Amerikanske postnumre som 02134, medarbejdernumre og varenumre er identifikatorer, ikke mængder, og bliver til 2134, så snart noget behandler dem som tal. Slå Gem tal som tal fra for tabeller fuld af ID'er, eller importér CSV'en med de kolonner sat til Tekst.

At udtrække én tabel er et opslag; at udtrække et års fakturaer eller tolv månedlige kontoudtog er et lille dataprojekt. Hold kildedokumenterne i samme layout, hvor du kan, og konvertér dem i ét hug, så alle filer får de samme indstillinger. Med tekst-PDF'er kan du uploade op til 20 ad gangen, hver op til 95 MB, og vælge Alt på ét ark i indstillingen Ark, når et kontoudtogs transaktionstabel fortsætter over flere sider. Fotos konverteres ét tabelbillede ad gangen, så til en stak papirfakturaer er det ofte hurtigere først at samle siderne med billede til PDF og pege PDF-sider på det område, der indeholder tabellerne.

Efter en batch skal du føje resultaterne sammen i ét ark med en kolonne, der angiver kildefilens navn. Hvis dokumenterne mest er tekst med en eller to tabeller, bevarer konvertering af PDF til Word i stedet afsnit og tabeller sammen.

Kontoudtog, lønsedler og fakturaer indeholder kontonumre, adresser og forbrugshistorik, så tænk over, hvor de havner. På UltKit slettes uploads og de genererede filer 30 minutter efter behandlingen, og ingen læser dem. Alligevel er den sikreste kopi den, der aldrig forlader din computer: Beskær eller fjern kolonner, du ikke har brug for, som fulde kontonumre, før upload, og slet lokale eksporter, du ikke længere skal bruge.