Tabellen aus Bildern und PDFs in Excel oder CSV übertragen

Bevor Sie ein Tool wählen, finden Sie heraus, was für eine Tabelle Sie tatsächlich vor sich haben, denn die drei häufigen Quellen scheitern auf unterschiedliche Weise. Öffnen Sie das PDF und versuchen Sie, mit dem Cursor eine einzelne Zahl zu markieren. Wird die Zahl für sich markiert, handelt es sich um ein Text-PDF: Jedes Zeichen ist als Text an einer genauen Position gespeichert, und die Extraktion besteht vor allem darin, diese Zeichen zu Zeilen und Spalten zu gruppieren. Wird die ganze Seite als ein Block markiert oder gar nichts, haben Sie ein Bild einer Tabelle vor sich, dessen Pixel erst jemand lesen muss.

Der dritte Fall wird leicht übersehen. Viele Berichte aus älteren Buchhaltungssystemen, Terminalprogrammen und E-Mail-Texten sehen aus wie Tabellen, sind aber reiner Text, der mit Tabulatoren oder Leerzeichen ausgerichtet wurde. Es gibt keine Zellen, nur ein Layout mit fester Zeichenbreite. OCR auf einem Screenshot dieses Textes wirft Informationen weg, die Sie schon haben; den Text zu kopieren und in Spalten aufzuteilen ist schneller und exakt. Die Karten unten fassen zusammen, was jede Quelle braucht.

Die Tabellenerkennung ist ein zweiter Durchgang, der nach der Zeichenerkennung läuft. Zuerst findet sie Zellen: Bei Tabellen mit Linien verfolgt sie die horizontalen und vertikalen Linien und behandelt jedes umschlossene Feld als Zelle; bei Tabellen ohne Rahmen sucht sie nach vertikalen Leerräumen, die über die volle Höhe des Blocks laufen. Dann richtet sie die Spalten aus und entscheidet, dass eine Zahl, die einige Pixel weiter rechts als die darüber steht, trotzdem zur selben Spalte gehört.

Als Nächstes kommt die Kopfzeile. Die Erkennung sucht nach einer ersten Zeile, die fett oder schattiert ist oder aus Wörtern über Zahlenspalten besteht, und fasst Kopfzeilen, die über zwei Zeilen umbrechen, zu einer Zelle zusammen. Verbundene Zellen sind der letzte Schritt: Eine Beschriftung wie Q1 über drei Monatsspalten wird an den fehlenden inneren Linien erkannt und entweder als verbundene Zelle aufgebaut oder in jede betroffene Spalte kopiert.

Nichts davon ist Textverständnis. Die Software weiß nicht, dass eine Spalte Datumsangaben enthält oder eine Zeile eine Zwischensumme ist; sie sieht nur Geometrie und Zeichen. Deshalb kann dasselbe Tool bei einem Kontoauszug fehlerfrei arbeiten und den nächsten einer anderen Bank durcheinanderbringen, und deshalb gibt es Einstellungen wie Tabellenart und Kopfzeile erkennen: Sie liefern der Erkennung eine Information, die sie nicht zuverlässig selbst ableiten kann.

Die meisten Fehler lassen sich in zwei Gruppen einteilen. Geometriefehler zerstören das Raster, sodass Werte in der falschen Zeile oder Spalte landen. Zahlenfehler lassen das Raster intakt, ändern aber die Bedeutung einer Zelle, was schlimmer ist, weil die Tabelle in Ordnung aussieht. Eine verrutschte Spalte fällt sofort auf; 1.234 als Dezimalzahl statt als Tausender zu lesen dagegen nicht.

Die Ländereinstellung ist die Hauptquelle für Zahlenprobleme. In den USA und im Vereinigten Königreich schreibt man 1,234.56; Deutschland, Brasilien und der Großteil des europäischen Festlands schreiben 1.234,56; Frankreich nutzt ein Leerzeichen als Tausendertrennzeichen; die Schweiz verwendet oft einen Apostroph wie in 1'234.56; und Indien gruppiert Ziffern als 1,23,456. In Buchhaltungsunterlagen kommen negative Zahlen in Klammern und direkt an die Ziffern gesetzte Währungssymbole hinzu. Hier sehen Sie, worauf Sie achten müssen und was den jeweiligen Fall behebt.

Jede Minute, die Sie in die Vorlage investieren, spart mehrere in der Tabellenkalkulation. OCR-Engines sind üblicherweise auf Text mit etwa 300 dpi abgestimmt, was bei einer A4- oder US-Letter-Seite ungefähr 2480 × 3508 px bzw. 2550 × 3300 px entspricht. Eine moderne Handykamera schafft das problemlos, wenn die Seite das Bild füllt; ein Foto der ganzen Seite aus der Entfernung vom Schreibtisch, das dann auf eine kleine Tabelle zugeschnitten wird, kann aber deutlich darunter liegen.

Der Kontrast ist so wichtig wie die Auflösung. Thermopapier-Belege verblassen, graue Tabellenlinien auf grauem Grund verschwinden, und der Schatten Ihres Handys auf der Seite kann eine Spalte halbieren. Wenn Sie regelmäßig Daten aus einem Papierdokument extrahieren, behandelt die Anleitung zum Scannen von Dokumenten als PDF Beleuchtung und Scannereinstellungen ausführlicher. Gehen Sie vor dem Hochladen diese Liste durch.

Excels Funktion „Daten aus Bild“ kam 2019 in die Android-App, dann aufs iPhone und ist inzwischen in Excel für Microsoft 365 unter Windows und Mac unter Daten > Aus Bild verfügbar. Sie fotografieren oder laden eine Tabelle, prüfen die erkannten Zellen in einem Seitenbereich, der zweifelhafte Werte markiert, und fügen sie ein. Google bietet einen weniger direkten Weg: Klicken Sie in Drive mit der rechten Maustaste auf ein Bild oder PDF und wählen Sie Öffnen mit > Google Docs. Laut Googles Hilfeseite gilt das nur für Dateien bis 2 MB, und bei PDFs werden nur die ersten 10 Seiten gelesen; das Ergebnis ist ein Dokument, die Tabelle kommt also oft als Textzeilen an, die Sie dann in Google Tabellen einfügen und aufteilen.

Adobe Acrobat Pro exportiert ein PDF in eine Microsoft-Excel-Arbeitsmappe und führt beim Export OCR auf gescannten Seiten aus. Excel für Microsoft 365 unter Windows kann Tabellen auch mit Daten abrufen > Aus Datei > Aus PDF aus einem Text-PDF holen, wodurch Power Query geöffnet wird; es listet jede erkannte Tabelle nach Seite auf, lässt Sie die Monatsseiten eines Kontoauszugs zu einer Tabelle anfügen und aktualisiert sich, wenn Sie die Datei des nächsten Monats austauschen. Scans liest es nicht, und Excel für Mac hat den Connector nicht.

Browser-Konverter decken den Rest ab, ohne dass Sie etwas installieren müssen. Für ein Text-PDF oder gescanntes PDF macht PDF in Excel aus jeder erkannten Tabelle ein eigenes Tabellenblatt; für ein Foto oder einen Screenshot können Sie das Bild in Excel umwandeln oder die Tabelle als CSV speichern, wenn ein anderes Programm sie importiert. Die Tabelle vergleicht die fünf Wege.

Eine konvertierte Tabelle, die richtig aussieht, ist noch keine Tabelle, auf die Sie sich verlassen können. Beginnen Sie mit der Zeilenanzahl: Wenn der Kontoauszug 47 Buchungen auflistet, sollte die Tabelle 47 Datenzeilen haben, nicht 46, weil zwei Zeilen verschmolzen sind, oder 49, weil eine umbrochene Beschreibung zu einer eigenen Zeile wurde. Addieren Sie dann eine Zahlenspalte mit SUMME und vergleichen Sie das Ergebnis mit der auf dem Dokument gedruckten Gesamtsumme. Hat das Dokument keine Summe, addieren Sie einige Werte von Hand und vergleichen Sie.

Suchen Sie als Nächstes nach Zellen, die nur vorgeben, Zahlen zu sein. In Excel sind echte Zahlen standardmäßig rechtsbündig und Text linksbündig; eine Spalte mit einigen linksbündigen Beträgen verrät also etwas, und ISTZAHL in einer Hilfsspalte findet sie alle auf einmal. Datumsangaben verdienen dasselbe Misstrauen. Ein als Text gelesenes Datum wird alphabetisch sortiert, sodass 10/02 vor 2/03 landet, und 03/04 kann je nach Autor den 3. April oder den 4. März bedeuten.

Prüfen Sie schließlich, was verloren ging, und nicht nur, was verändert wurde. Lange Konto- und Kartennummern sind eine klassische Falle: Excel speichert Zahlen mit 15 signifikanten Stellen, sodass bei einer als Zahl eingegebenen oder importierten 16-stelligen Kartennummer die letzte Ziffer zu einer Null wird.

Wählen Sie XLSX, wenn eine Person die Daten in Excel, Google Tabellen oder Numbers bearbeitet. Es behält mehrere Tabellen auf getrennten Blättern, echte Zahlen- und Datumstypen, fette Kopfzeilen und verbundene Zellen. Wählen Sie CSV, wenn Software die Daten importiert: Budget-Apps, Buchhaltungsprogramme, Datenbanken und Skripte. CSV ist reiner Text mit einer Tabelle pro Datei, beschrieben in RFC 4180 aus dem Jahr 2005, und die drei wichtigen Einstellungen sind Trennzeichen, Zeichenkodierung und ob Zahlen als Zahlen gespeichert werden.

Das Trennzeichen muss zum importierenden Programm passen; Excel erwartet in Ländern, die Dezimalzahlen mit Komma schreiben, Semikolons. Die Kodierung entscheidet, ob Namen wie Müller oder São Paulo erhalten bleiben: UTF-8 mit BOM liest Excel für Windows beim Doppelklick korrekt. Führende Nullen gehen klassischerweise verloren. US-Postleitzahlen wie 02134, Personalnummern und Produktcodes sind Kennungen, keine Mengen, und werden zu 2134, sobald irgendetwas sie als Zahlen behandelt. Schalten Sie Zahlen als Zahlen speichern für Tabellen voller Kennungen aus oder importieren Sie die CSV mit diesen Spalten als Text.

Eine Tabelle zu extrahieren ist eine Nachschlagearbeit; ein Jahr Rechnungen oder zwölf monatliche Kontoauszüge zu extrahieren ist ein kleines Datenprojekt. Halten Sie die Quelldokumente nach Möglichkeit im selben Layout und wandeln Sie sie in einem Durchgang um, damit jede Datei dieselben Einstellungen erhält. Bei Text-PDFs laden Sie bis zu 20 gleichzeitig mit je bis zu 95 MB hoch und wählen Alles auf einem Blatt in der Option Tabellenblätter, wenn sich die Buchungstabelle eines Kontoauszugs über mehrere Seiten fortsetzt. Fotos werden jeweils als eine Tabelle umgewandelt; bei einem Stapel Papierrechnungen ist es daher oft schneller, die Seiten zuerst mit Bild in PDF zusammenzufassen und PDF-Seiten auf den Bereich mit den Tabellen zu setzen.

Fügen Sie die Ergebnisse nach einem Stapel in einem Blatt mit einer Spalte zusammen, die den Namen der Quelldatei festhält. Bestehen die Dokumente überwiegend aus Text mit ein oder zwei Tabellen, hält das Umwandeln des PDFs in Word Absätze und Tabellen stattdessen zusammen.

Kontoauszüge, Gehaltsabrechnungen und Rechnungen enthalten Kontonummern, Adressen und Ausgabenhistorie, überlegen Sie also, wohin sie gehen. Bei UltKit werden Uploads und erzeugte Dateien 30 Minuten nach der Verarbeitung gelöscht und von niemandem gelesen. Die sicherste Kopie ist dennoch die, die Ihren Computer nie verlässt: Schneiden Sie nicht benötigte Spalten wie vollständige Kontonummern vor dem Hochladen ab oder schwärzen Sie sie, und löschen Sie lokale Exporte, die Sie nicht mehr brauchen.