Taulak irudietatik eta PDFetatik Excel edo CSV bihurtu

Tresna bat aukeratu aurretik, jakin zer motatako taula duzun, hiru iturri arruntek modu desberdinean huts egiten baitute. Ireki PDFa eta saiatu kurtsorearekin zenbaki bakar bat hautatzen. Zenbakia bere kabuz nabarmentzen bada, testuzko PDF bat da: karaktere bakoitza testu gisa dago gordeta, posizio zehatz batean, eta erauzketa batez ere karaktere horiek errenkada eta zutabeetan multzokatzean datza. Orri osoa bloke gisa nabarmentzen bada, edo ezer ere ez bada nabarmentzen, taula baten irudia duzu eskuartean, eta norbaitek pixelak irakurri behar ditu lehenik.

Hirugarren kasua erraz ahaztzen da. Kontabilitate-sistema zaharretatik, terminal-programetatik eta mezu elektronikoen gorputzetatik esportatutako txosten askok taula itxura dute, baina tabulazioekin edo zuriune-sekuentziekin lerrokatutako testu hutsa dira. Ez dago gelaxkarik, zabalera finkoko diseinu bat baino ez. Testu horren pantaila-argazki baten gainean OCR egiteak badakizun informazioa galtzen du; testua kopiatu eta zutabetan banatzea azkarragoa eta zehatzagoa da. Beheko txartelek iturri bakoitzak zer behar duen laburbiltzen dute.

Taulen ezagutza karaktereak jakin ondoren egiten den bigarren pasada bat da. Lehenik gelaxkak aurkitzen ditu: marradun tauletan lerro horizontalak eta bertikalak jarraitzen ditu eta itxitako kaxa bakoitza gelaxka gisa hartzen du; ertzik gabeko tauletan, blokearen altuera osoan doazen zuriune bertikalak bilatzen ditu. Gero zutabeak lerrokatzen ditu, eta erabakitzen du gaineko zenbakiaren eskuinera pixel gutxira dagoen zenbaki bat zutabe berekoa dela.

Ondoren goiburu-errenkada dator. Ezagutzaileek lehen errenkada lodia, itzaldua edo zenbaki-zutabeen gaineko hitzez osatua bilatzen dute, eta bi lerrotan zatitutako goiburuak gelaxka bakarrean elkartzen dituzte. Gelaxka batuak azken urratsa dira: hiru hileko zutabe hartzen dituen Q1 bezalako etiketa barne-lerroen faltagatik detektatzen da, eta gelaxka batu gisa berreraikitzen da edo hartzen dituen zutabe bakoitzean kopiatzen da.

Ez da ulermen-irakurketarik. Softwareak ez daki zutabe batek datak dituenik ala errenkada bat azpibatura den; geometria eta karaktereak baino ez ditu ikusten. Horregatik tresna berak ezin hobeto egin dezake extraktu batean eta nahastu beste banku bateko hurrengoan, eta horregatik daude Taularen estiloa eta Detektatu goiburu-errenkada bezalako ezarpenak: ezagutzaileak fidagarritasunez ondorioztatu ezin duen datu bat ematen diote.

Hutsegite gehienak bi taldetan sartzen dira. Geometria-hutsegiteek sareta hausten dute, eta balioak errenkada edo zutabe okerrean geratzen dira. Zenbaki-hutsegiteek sareta osorik uzten dute baina gelaxka baten esanahia aldatzen dute, eta hori okerragoa da, orriak ondo ematen duelako. Zutabe okertua begirada batean ikusten da; 1.234 milakotzat hartu beharrean hamartartzat irakurtzea, ez.

Lokalizazioa da zenbaki-arazoen iturri nagusia. Estatu Batuek eta Erresuma Batuak 1,234.56 idazten dute; Alemaniak, Brasilek eta Europa kontinentaleko gehienek 1.234,56; Frantziak zuriunea erabiltzen du milakoen bereizle gisa; Suitzak sarritan apostrofoa, 1'234.56 bezala; eta Indiak digituak 1,23,456 moduan taldekatzen ditu. Kontabilitate-dokumentuek, gainera, parentesi artean dauden zenbaki negatiboak eta digituei lotutako moneta-ikurrak dituzte. Hona zertan jarri behar den arreta eta zerk konpontzen duen kasu bakoitza.

Sarreran emandako minutu bakoitzak hainbat aurrezten ditu kalkulu-orrian. OCR motorrak 300 dpi inguruan eskaneatutako testurako doitzen dira normalean; A4 edo US Letter orri batean, 2480 × 3508 px edo 2550 × 3300 px inguru da. Telefono mugikor modernoek erraz gainditzen dute hori orriak kuadroa betetzen badu, baina mahaiaren beste aldetik ateratako orri osoko argazki bat, gero taula txiki batera mozten bada, askoz beherago geratu daiteke.

Kontrasteak bereizmenak adinako garrantzia du. Paper termikoko tiketak desagertu egiten dira, hondo grisaren gaineko taula-lerro grisak galdu egiten dira, eta telefonoaren itzalak orrian zutabe bat erdibitu dezake. Maiz erauziko duzun paperezko dokumentua bada, dokumentuak PDF bihurtzeko eskaneatzea gidak argiztapena eta eskanerraren ezarpenak xehetasun handiagoz azaltzen ditu. Igo aurretik, begiratu zerrenda hau.

Excelen Data from Picture 2019an iritsi zen Androiden aplikaziora, gero iPhonera, eta orain Windows eta Mac-eko Microsoft 365 Excelen dago, Data > From Picture azpian. Taula bat argazkitan atera edo kargatzen duzu, ezagututako gelaxkak alboko panel batean berrikusten dituzu (balio dudagarriak markatzen ditu) eta txertatu egiten dituzu. Googlek bide ezain zuzena eskaintzen du: Drive-n, egin klik eskuineko botoiarekin irudi edo PDF batean eta aukeratu Open with > Google Docs. Googleren laguntza-orriak 2 MB edo gutxiagoko fitxategietara mugatzen du eta PDFaren lehen 10 orriak soilik irakurtzen ditu; emaitza dokumentu bat da, beraz taula sarritan testu-lerro gisa iristen da, gero Sheetsen itsatsi eta banatu beharrekoak.

Adobe Acrobat Pro-k PDFa Microsoft Excel lan-liburu batera esportatzen du eta eskaneatutako orrietan OCR exekutatzen du esportatzean. Windows-eko Microsoft 365 Excelek ere atera ditzake taulak testuzko PDF batetik Get Data > From File > From PDF bidez, Power Query irekitzen duena; detektatutako taula guztiak orrika zerrendatzen ditu, extraktu baten hilabeteko orriak taula bakarrean erantsi ahal dituzu eta freskatu egiten da hurrengo hileko fitxategia ordezkatzean. Ez ditu eskaneatzeak irakurtzen, eta Mac-eko Excelek ez du konektore hori.

Nabigatzaileko bihurgailuek gainerakoa estaltzen dute ezer instalatu gabe. Testuzko edo eskaneatutako PDF baterako, PDF Excel bihurtu tresnak detektatutako taula bakoitza bere orrian jartzen du; argazki edo pantaila-argazki baterako, bihurtu irudia Excel edo gorde taula CSV gisa beste programa batek inportatuko badu. Taulak bost bideak alderatzen ditu.

Zuzen ematen duen taula bihurtu bat ez da oraindik fidagarria den taula bat. Hasi errenkada kopuruarekin: extraktuak 47 transakzio badauzka, orriak 47 datu-errenkada izan behar ditu, ez 46 bi lerro batu direlako, ez 49 deskribapen bat lerro bihurtu delako. Gero, batu zutabe numeriko bat SUM-ekin eta alderatu dokumentuan inprimatutako guztizkoarekin. Dokumentuak guztizkorik ez badu, batu zenbait balio eskuz eta alderatu.

Ondoren, bilatu zenbaki-itxura egiten duten gelaxkak. Excelen, benetako zenbakiak eskuinera lerrokatzen dira lehenespenez eta testua ezkerrera, beraz ezkerrera lerrokatutako zenbatekoak dituen zutabe batek zerbait esaten dizu; laguntza-zutabe bateko ISNUMBER-ek denak batera aurkitzen ditu. Datek ere susmo bera merezi dute. Testu gisa irakurritako data alfabetikoki ordenatzen da, beraz 10/02 2/03 baino lehen geratzen da, eta 03/04 apirilaren 3a edo martxoaren 4a izan daiteke nork idatzi duen arabera.

Azkenik, egiaztatu zer galdu den, ez zer aldatu den. Kontu- eta txartel-zenbaki luzeak tranpa klasikoak dira: Excelek zenbakiak 15 digitu esanguratsurekin gordetzen ditu, beraz zenbaki gisa idatzitako edo inportatutako 16 digituko txartel-zenbaki baten azken digitua zero bihurtzen da.

Aukeratu XLSX pertsona batek Excelen, Google Sheetsen edo Numbersen lan egingo badu datuekin. Hainbat taula orri bereizietan gordetzen ditu, benetako zenbaki- eta data-motak, goiburu-errenkada lodiak eta gelaxka batuak. Aukeratu CSV softwareak inportatuko badu: aurrekontu-aplikazioak, kontabilitate-paketeak, datu-baseak eta script-ak. CSV testu hutsa da, fitxategi bakoitzeko taula bat, 2005eko RFC 4180 dokumentuan deskribatua, eta garrantzia duten hiru ezarpenak bereizlea, kodeketa eta zenbakiak zenbaki gisa gordetzea dira.

Bereizleak inportatzen duen programarekin bat etorri behar du; hamartarrak komarekin idazten dituzten herrialdeetako Excelek puntu eta komak espero ditu. Kodeketak erabakitzen du Müller edo São Paulo bezalako izenak bizirauten duten: BOM duen UTF-8 da Windows-eko Excelek klik bikoitzean ondo irakurtzen duena. Hasierako zeroak galera klasikoa dira. AEBetako ZIP kodeak, 02134 adibidez, langile-IDak eta produktu-kodeak identifikatzaileak dira, ez kantitateak, eta 2134 bihurtzen dira zerbaitek zenbaki gisa tratatu orduko. Desaktibatu Gorde zenbakiak zenbaki gisa IDz betetako taletarako, edo inportatu CSVa zutabe horiek Testu gisa ezarrita.

Taula bat ateratzea kontsulta bat da; urte bateko fakturak edo hamabi hileko banku-extraktuak ateratzea datu-proiektu txiki bat da. Gorde iturburu-dokumentuak diseinu berean ahal duzunean, eta bihurtu itzazu pasada batean fitxategi guztiek ezarpen berak izan ditzaten. Testuzko PDFekin, igo 20 arte aldi berean, bakoitza 95 MB arte, eta aukeratu Dena orri batean Orriak aukeran extraktu baten transakzio-taula orrietan zehar jarraitzen denean. Argazkiak taula-irudi bat aldiko bihurtzen dira, beraz paperezko faktura-sorta baterako azkarragoa izan ohi da lehenik orriak irudia PDF bihurtu bidez elkartzea eta PDF orrialdeak taulak dituen tartera zuzentzea.

Sorta baten ondoren, erantsi emaitzak orri bakarrean, iturburu-fitxategiaren izena jasotzen duen zutabe batekin. Dokumentuak gehienbat testua badira eta taula bat edo bi baino ez badituzte, PDFa Word bihurtzeak paragrafoak eta taulak elkarrekin mantentzen ditu.

Banku-extraktuek, nominek eta fakturek kontu-zenbakiak, helbideak eta gastu-historia dituzte, beraz pentsatu nora joaten diren. UltKit-en, igoerak eta sortutako fitxategiak prozesatu eta 30 minutura ezabatzen dira eta inork ez ditu irakurtzen. Hala ere, kopia seguruena zure ordenagailutik irteten ez dena da: moztu edo ezkutatu behar ez dituzun zutabeak, kontu-zenbaki osoak adibidez, igo aurretik, eta ezabatu behar ez dituzun tokiko esportazioak.