Εξαγωγή πινάκων από εικόνες και PDF σε Excel ή CSV

Πριν διαλέξετε εργαλείο, δείτε τι είδους πίνακα έχετε πραγματικά, γιατί οι τρεις συνηθισμένες πηγές αποτυγχάνουν με διαφορετικούς τρόπους. Ανοίξτε το PDF και προσπαθήστε να επιλέξετε με τον κέρσορα έναν αριθμό. Αν ο αριθμός επισημαίνεται μόνος του, το αρχείο είναι PDF κειμένου: κάθε χαρακτήρας αποθηκεύεται ως κείμενο σε ακριβή θέση και η εξαγωγή αφορά κυρίως την ομαδοποίηση αυτών των χαρακτήρων σε γραμμές και στήλες. Αν επισημαίνεται ολόκληρη η σελίδα ως ένα μπλοκ ή τίποτα, έχετε μια εικόνα πίνακα και κάποιος πρέπει πρώτα να διαβάσει τα pixel.

Η τρίτη περίπτωση περνά εύκολα απαρατήρητη. Πολλές αναφορές από παλαιότερα λογιστικά συστήματα, προγράμματα τερματικού και σώματα email μοιάζουν με πίνακες, αλλά είναι απλό κείμενο στοιχισμένο με tab ή σειρές κενών. Δεν υπάρχουν καθόλου κελιά, μόνο διάταξη σταθερού πλάτους. Το OCR σε στιγμιότυπο αυτού του κειμένου πετά πληροφορία που ήδη έχετε: η αντιγραφή του κειμένου και ο διαχωρισμός σε στήλες είναι πιο γρήγορος και ακριβής. Οι κάρτες παρακάτω συνοψίζουν τι χρειάζεται κάθε πηγή.

Η αναγνώριση πινάκων είναι ένα δεύτερο πέρασμα μετά την αναγνώριση των χαρακτήρων. Πρώτα εντοπίζει κελιά: στους πίνακες με γραμμές ακολουθεί τις οριζόντιες και κάθετες γραμμές και θεωρεί κάθε κλειστό πλαίσιο κελί· στους πίνακες χωρίς περιγράμματα αναζητά κάθετα κενά διαστήματα που διατρέχουν όλο το ύψος του μπλοκ. Έπειτα στοιχίζει τις στήλες, αποφασίζοντας ότι ένας αριθμός λίγα pixel δεξιότερα από τον πάνω του ανήκει στην ίδια στήλη.

Ακολουθεί η γραμμή κεφαλίδας. Οι αναγνωριστές ψάχνουν μια πρώτη γραμμή με έντονα γράμματα, σκίαση ή λέξεις πάνω από στήλες αριθμών και ενώνουν σε ένα κελί τις κεφαλίδες που σπάνε σε δύο γραμμές. Τελευταίο βήμα είναι τα συγχωνευμένα κελιά: μια ετικέτα όπως το Q1 πάνω από τρεις στήλες μηνών εντοπίζεται από τις εσωτερικές γραμμές που λείπουν και είτε ξαναφτιάχνεται ως συγχωνευμένο κελί είτε αντιγράφεται σε κάθε στήλη που καλύπτει.

Τίποτα από αυτά δεν είναι κατανόηση κειμένου. Το λογισμικό δεν ξέρει ότι μια στήλη έχει ημερομηνίες ή ότι μια γραμμή είναι υποσύνολο· βλέπει μόνο γεωμετρία και χαρακτήρες. Γι' αυτό το ίδιο εργαλείο μπορεί να είναι άψογο σε μια κίνηση λογαριασμού και να μπερδέψει την επόμενη άλλης τράπεζας, και γι' αυτό υπάρχουν ρυθμίσεις όπως Στυλ πίνακα και Εντοπισμός γραμμής κεφαλίδας: δίνουν στον αναγνωριστή μια πληροφορία που δεν μπορεί να συμπεράνει με σιγουριά.

Οι περισσότερες αποτυχίες χωρίζονται σε δύο ομάδες. Οι αποτυχίες γεωμετρίας σπάνε το πλέγμα, οπότε οι τιμές καταλήγουν σε λάθος γραμμή ή στήλη. Οι αποτυχίες αριθμών αφήνουν το πλέγμα άθικτο αλλά αλλάζουν τι σημαίνει ένα κελί, κάτι χειρότερο επειδή το φύλλο φαίνεται σωστό. Μια λάθος στήλη φαίνεται με μια ματιά· το 1.234 που διαβάστηκε ως δεκαδικός αντί για χιλιάδες δεν φαίνεται.

Οι τοπικές συμβάσεις είναι η βασική πηγή προβλημάτων με τους αριθμούς. Οι ΗΠΑ και το Ηνωμένο Βασίλειο γράφουν 1,234.56· η Ελλάδα, η Γερμανία, η Βραζιλία και το μεγαλύτερο μέρος της ηπειρωτικής Ευρώπης 1.234,56· η Γαλλία χρησιμοποιεί κενό ως διαχωριστικό χιλιάδων· η Ελβετία συχνά απόστροφο, όπως 1'234.56· και η Ινδία ομαδοποιεί τα ψηφία ως 1,23,456. Τα λογιστικά έγγραφα προσθέτουν αρνητικούς αριθμούς σε παρενθέσεις και σύμβολα νομισμάτων κολλημένα στα ψηφία. Δείτε τι να προσέξετε και πώς διορθώνεται κάθε περίπτωση.

Κάθε λεπτό που αφιερώνετε στο αρχείο εισόδου εξοικονομεί αρκετά στο λογιστικό φύλλο. Οι μηχανές OCR συνήθως είναι ρυθμισμένες για κείμενο σε περίπου 300 dpi, που για σελίδα A4 ή US Letter σημαίνει περίπου 2480 × 3508 px ή 2550 × 3300 px. Μια σύγχρονη κάμερα κινητού το ξεπερνά εύκολα αν η σελίδα γεμίζει το κάδρο, αλλά μια φωτογραφία ολόκληρης σελίδας από απόσταση, που κόβεται σε μικρό πίνακα, μπορεί να πέσει πολύ χαμηλότερα.

Η αντίθεση μετράει όσο και η ανάλυση. Οι αποδείξεις θερμικού χαρτιού ξεθωριάζουν, οι γκρι γραμμές πίνακα σε γκρι φόντο χάνονται και η σκιά του κινητού σας πάνω στη σελίδα μπορεί να κόψει μια στήλη στη μέση. Αν το πρωτότυπο είναι έντυπο έγγραφο από το οποίο εξάγετε τακτικά, ο οδηγός για τη σάρωση εγγράφων σε PDF εξηγεί αναλυτικότερα τον φωτισμό και τις ρυθμίσεις του σαρωτή. Πριν ανεβάσετε το αρχείο, ελέγξτε αυτή τη λίστα.

Η λειτουργία Data from Picture του Excel ήρθε στην εφαρμογή Android το 2019, έπειτα στο iPhone, και πλέον υπάρχει στο Excel για Microsoft 365 σε Windows και Mac στο Δεδομένα > Από εικόνα. Φωτογραφίζετε ή φορτώνετε έναν πίνακα, ελέγχετε τα αναγνωρισμένα κελιά σε πλαϊνό πλαίσιο που επισημαίνει τις αμφίβολες τιμές και τα εισάγετε. Η Google προσφέρει λιγότερο άμεσο δρόμο: στο Drive, κάντε δεξί κλικ σε εικόνα ή PDF και επιλέξτε Άνοιγμα με > Έγγραφα Google. Η σελίδα βοήθειας της Google περιορίζει αυτή τη λειτουργία σε αρχεία έως 2 MB και διαβάζει μόνο τις πρώτες 10 σελίδες ενός PDF, ενώ το αποτέλεσμα είναι έγγραφο, οπότε ο πίνακας συχνά έρχεται ως γραμμές κειμένου που επικολλάτε στα Φύλλα και χωρίζετε.

Το Adobe Acrobat Pro εξάγει ένα PDF σε βιβλίο εργασίας Microsoft Excel και εκτελεί OCR στις σαρωμένες σελίδες κατά την εξαγωγή. Το Excel για Microsoft 365 σε Windows μπορεί επίσης να τραβήξει πίνακες από PDF κειμένου με Λήψη δεδομένων > Από αρχείο > Από PDF, που ανοίγει το Power Query· καταγράφει κάθε εντοπισμένο πίνακα ανά σελίδα, σας επιτρέπει να προσθέσετε τις μηνιαίες σελίδες μιας κίνησης λογαριασμού σε έναν πίνακα και ανανεώνεται όταν αντικαταστήσετε το αρχείο με αυτό του επόμενου μήνα. Δεν διαβάζει σαρώσεις και το Excel για Mac δεν διαθέτει τον συνδετήρα.

Οι μετατροπείς στο πρόγραμμα περιήγησης καλύπτουν τα υπόλοιπα χωρίς εγκατάσταση. Για PDF κειμένου ή σαρωμένο, το PDF σε Excel μετατρέπει κάθε εντοπισμένο πίνακα σε δικό του φύλλο· για φωτογραφία ή στιγμιότυπο, μετατρέψτε την εικόνα σε Excel ή αποθηκεύστε τον πίνακα ως CSV όταν θα τον εισαγάγει άλλο πρόγραμμα. Ο πίνακας συγκρίνει τους πέντε τρόπους.

Ένας μετατραπέντας πίνακας που φαίνεται σωστός δεν είναι ακόμη πίνακας που μπορείτε να εμπιστευτείτε. Ξεκινήστε από τον αριθμό των γραμμών: αν η κίνηση λογαριασμού έχει 47 συναλλαγές, το φύλλο πρέπει να έχει 47 γραμμές δεδομένων, όχι 46 επειδή δύο γραμμές συγχωνεύτηκαν ή 49 επειδή μια περιγραφή που άλλαξε γραμμή έγινε δική της γραμμή. Έπειτα προσθέστε μια αριθμητική στήλη με SUM και συγκρίνετέ την με το σύνολο που αναγράφεται στο έγγραφο. Αν το έγγραφο δεν έχει σύνολο, προσθέστε μερικές τιμές με το χέρι και συγκρίνετε.

Στη συνέχεια, ψάξτε για κελιά που απλώς προσποιούνται ότι είναι αριθμοί. Στο Excel οι πραγματικοί αριθμοί στοιχίζονται δεξιά από προεπιλογή και το κείμενο αριστερά, οπότε μια στήλη με λίγα αριστερά στοιχισμένα ποσά σας λέει κάτι· το ISNUMBER σε βοηθητική στήλη τα βρίσκει όλα μαζί. Οι ημερομηνίες θέλουν την ίδια καχυποψία. Μια ημερομηνία που διαβάστηκε ως κείμενο ταξινομείται αλφαβητικά, οπότε το 10/02 μπαίνει πριν από το 2/03, και το 03/04 μπορεί να σημαίνει 3 Απριλίου ή 4 Μαρτίου ανάλογα με το ποιος το έγραψε.

Τέλος, ελέγξτε τι χάθηκε και όχι τι άλλαξε. Οι μακροί αριθμοί λογαριασμών και καρτών είναι κλασική παγίδα: το Excel αποθηκεύει αριθμούς με 15 σημαντικά ψηφία, οπότε ένας αριθμός κάρτας 16 ψηφίων που πληκτρολογείται ή εισάγεται ως αριθμός έχει το τελευταίο ψηφίο του μηδενισμένο.

Επιλέξτε XLSX όταν κάποιος θα επεξεργαστεί τα δεδομένα στο Excel, στα Φύλλα Google ή στο Numbers. Διατηρεί πολλούς πίνακες σε ξεχωριστά φύλλα, πραγματικούς τύπους αριθμών και ημερομηνιών, έντονες γραμμές κεφαλίδας και συγχωνευμένα κελιά. Επιλέξτε CSV όταν θα το εισαγάγει λογισμικό: εφαρμογές προϋπολογισμού, λογιστικά προγράμματα, βάσεις δεδομένων και scripts. Το CSV είναι απλό κείμενο με έναν πίνακα ανά αρχείο, όπως περιγράφεται στο RFC 4180 του 2005, και οι τρεις ρυθμίσεις που μετράνε είναι ο διαχωριστής, η κωδικοποίηση και το αν οι αριθμοί αποθηκεύονται ως αριθμοί.

Ο διαχωριστής πρέπει να ταιριάζει με το πρόγραμμα που κάνει την εισαγωγή· το Excel στις χώρες που γράφουν τα δεκαδικά με κόμμα περιμένει ερωτηματικά. Η κωδικοποίηση καθορίζει αν ονόματα όπως Müller ή São Paulo θα διατηρηθούν σωστά: το UTF-8 με BOM είναι αυτό που το Excel για Windows διαβάζει σωστά με διπλό κλικ. Τα αρχικά μηδενικά είναι η κλασική απώλεια. Οι αμερικανικοί ταχυδρομικοί κώδικες όπως το 02134, οι κωδικοί υπαλλήλων και οι κωδικοί προϊόντων είναι αναγνωριστικά, όχι ποσότητες, και γίνονται 2134 μόλις κάτι τα αντιμετωπίσει ως αριθμούς. Απενεργοποιήστε την επιλογή Αποθήκευση αριθμών ως αριθμών για πίνακες γεμάτους κωδικούς ή εισαγάγετε το CSV με τις στήλες αυτές ορισμένες ως Κείμενο.

Η εξαγωγή ενός πίνακα είναι μια απλή αναζήτηση· η εξαγωγή ενός έτους τιμολογίων ή δώδεκα μηνιαίων αντιγράφων κίνησης λογαριασμού είναι ένα μικρό έργο δεδομένων. Κρατήστε τα έγγραφα πηγής στην ίδια διάταξη όπου γίνεται και μετατρέψτε τα όλα μαζί, ώστε κάθε αρχείο να παίρνει τις ίδιες ρυθμίσεις. Με PDF κειμένου, ανεβάστε έως 20 κάθε φορά, έως 95 MB το καθένα, και επιλέξτε Όλα σε ένα φύλλο στην επιλογή Φύλλα όταν ο πίνακας κινήσεων μιας κατάστασης συνεχίζεται σε πολλές σελίδες. Οι φωτογραφίες μετατρέπονται μία εικόνα πίνακα τη φορά, οπότε για μια στοίβα χάρτινων τιμολογίων είναι συχνά πιο γρήγορο να συνδυάσετε πρώτα τις σελίδες με εικόνα σε PDF και να ορίσετε στο Σελίδες PDF το εύρος που περιέχει τους πίνακες.

Μετά την ομαδική μετατροπή, προσθέστε τα αποτελέσματα σε ένα φύλλο με μια στήλη που καταγράφει το όνομα του αρχείου πηγής. Αν τα έγγραφα είναι κυρίως κείμενο με έναν-δύο πίνακες, η μετατροπή του PDF σε Word κρατά μαζί τις παραγράφους και τους πίνακες.

Οι καταστάσεις λογαριασμού, οι μισθοδοσίες και τα τιμολόγια περιέχουν αριθμούς λογαριασμών, διευθύνσεις και ιστορικό δαπανών, γι' αυτό σκεφτείτε πού τα στέλνετε. Στο UltKit, τα αρχεία που ανεβάζετε και τα αρχεία που δημιουργούνται διαγράφονται 30 λεπτά μετά την επεξεργασία και δεν τα διαβάζει κανείς. Παρ' όλα αυτά, το ασφαλέστερο αντίγραφο είναι αυτό που δεν φεύγει ποτέ από τον υπολογιστή σας: περικόψτε ή καλύψτε τις στήλες που δεν χρειάζεστε, όπως πλήρεις αριθμούς λογαριασμών, πριν από το ανέβασμα και διαγράψτε τις τοπικές εξαγωγές που δεν χρειάζεστε πια.