इमेज और PDF से टेबल को Excel या CSV में कैसे निकालें

टूल चुनने से पहले जानें कि आपके पास किस तरह की टेबल है, क्योंकि तीनों आम स्रोत अलग-अलग तरह से गड़बड़ करते हैं। PDF खोलें और कर्सर से कोई एक नंबर चुनकर देखें। अगर नंबर अकेले हाइलाइट हो जाता है, तो फ़ाइल टेक्स्ट PDF है: हर अक्षर सटीक जगह पर टेक्स्ट के रूप में रखा है, और एक्सट्रैक्शन में ज़्यादातर काम इन अक्षरों को पंक्तियों और कॉलम में समूहित करना होता है। अगर पूरा पेज एक ब्लॉक की तरह हाइलाइट हो या कुछ भी हाइलाइट न हो, तो आपके पास टेबल की तस्वीर है, और पहले पिक्सल पढ़ने होंगे।

तीसरा मामला आसानी से छूट जाता है। पुराने अकाउंटिंग सिस्टम, टर्मिनल प्रोग्राम और ईमेल से निकली कई रिपोर्ट टेबल जैसी दिखती हैं, पर असल में टैब या खाली स्पेस से सजाया हुआ सादा टेक्स्ट होती हैं। इनमें कोई सेल नहीं होता, सिर्फ़ मोनोस्पेस लेआउट होता है। ऐसे टेक्स्ट के स्क्रीनशॉट पर OCR चलाने से वह जानकारी बेकार चली जाती है जो आपके पास पहले से है; टेक्स्ट कॉपी करके कॉलम में बाँटना तेज़ और सटीक है। नीचे के कार्ड बताते हैं कि हर स्रोत को क्या चाहिए।

टेबल रिकग्निशन दूसरा चरण है, जो अक्षर पहचानने के बाद चलता है। पहले यह सेल खोजता है: रेखाओं वाली टेबल में यह आड़ी और खड़ी रेखाओं को ट्रेस करके हर घिरे डिब्बे को सेल मानता है; बिना बॉर्डर वाली टेबल में यह ब्लॉक की पूरी ऊँचाई तक चलने वाली खाली जगह की खड़ी पट्टियाँ खोजता है। फिर यह कॉलम संरेखित करता है और तय करता है कि ऊपर वाले नंबर से कुछ पिक्सल दाईं ओर बैठा नंबर भी उसी कॉलम का है।

इसके बाद हेडर पंक्ति आती है। रिकग्नाइज़र ऐसी पहली पंक्ति खोजते हैं जो बोल्ड हो, शेड की गई हो, या संख्याओं के कॉलम के ऊपर शब्दों की बनी हो, और दो लाइन में लिपटे हेडर को एक सेल में जोड़ देते हैं। मर्ज की गई सेल आखिरी चरण है: Q1 जैसा लेबल जो तीन महीनों के कॉलम पर फैला हो, भीतरी रेखाओं की कमी से पहचाना जाता है और या तो मर्ज सेल के रूप में बनता है या हर कवर किए कॉलम में कॉपी हो जाता है।

इसमें से कुछ भी समझ पर आधारित नहीं है। सॉफ़्टवेयर नहीं जानता कि कॉलम में तारीखें हैं या कोई पंक्ति सबटोटल है; वह सिर्फ़ ज्यामिति और अक्षर देखता है। इसीलिए एक ही टूल एक स्टेटमेंट पर बिल्कुल सही चल सकता है और दूसरे बैंक के अगले स्टेटमेंट को बिगाड़ सकता है, और इसीलिए टेबल स्टाइल और हेडर पंक्ति पहचानें जैसी सेटिंग मौजूद हैं: ये रिकग्नाइज़र को वह जानकारी देती हैं जो वह भरोसे से खुद नहीं निकाल सकता।

ज़्यादातर गड़बड़ियाँ दो समूहों में आती हैं। ज्यामिति की गड़बड़ी ग्रिड तोड़ देती है, जिससे मान गलत पंक्ति या कॉलम में चले जाते हैं। संख्या की गड़बड़ी ग्रिड सही रखती है पर सेल का मतलब बदल देती है, जो ज़्यादा बुरा है क्योंकि शीट ठीक दिखती है। गलत जगह का कॉलम एक नज़र में दिख जाता है; 1.234 को हज़ार के बजाय दशमलव पढ़ लेना नहीं दिखता।

संख्या की परेशानी का मुख्य कारण लोकेल है। अमेरिका और ब्रिटेन में 1,234.56 लिखा जाता है; जर्मनी, ब्राज़ील और ज़्यादातर यूरोप में 1.234,56; फ़्रांस में हज़ार के विभाजक के रूप में स्पेस; स्विट्ज़रलैंड में अक्सर एपॉस्ट्रॉफ़ी, जैसे 1'234.56; और भारत में अंक 1,23,456 की तरह समूहित होते हैं। अकाउंटिंग दस्तावेज़ों में ऋणात्मक संख्याएँ कोष्ठक में और करेंसी चिह्न अंकों से चिपके होते हैं। नीचे देखें कि किस पर नज़र रखें और हर मामले का हल क्या है।

इनपुट पर लगाया हर मिनट स्प्रेडशीट में कई मिनट बचाता है। OCR इंजन आमतौर पर लगभग 300 dpi पर स्कैन किए टेक्स्ट के लिए ट्यून होते हैं, जो A4 या US Letter पेज के लिए लगभग 2480 × 3508 px या 2550 × 3300 px होता है। आधुनिक फोन कैमरा पेज फ़्रेम भरने पर इससे आसानी से बेहतर देता है, पर मेज़ के उस पार से खींची पूरे पेज की फोटो को छोटी टेबल तक क्रॉप करने पर रेज़ोल्यूशन इससे काफ़ी नीचे जा सकता है।

कंट्रास्ट भी रेज़ोल्यूशन जितना ज़रूरी है। थर्मल पेपर की रसीदें फीकी पड़ जाती हैं, स्लेटी बैकग्राउंड पर स्लेटी टेबल रेखाएँ गायब हो जाती हैं, और पेज पर आपके फोन की परछाईं कॉलम को आधा काट सकती है। अगर आप कागज़ के दस्तावेज़ से नियमित रूप से डेटा निकालते हैं, तो दस्तावेज़ों को PDF में स्कैन करने की गाइड में रोशनी और स्कैनर सेटिंग की ज़्यादा जानकारी है। अपलोड करने से पहले यह सूची देख लें।

Excel का Data from Picture 2019 में Android ऐप में आया, फिर iPhone पर, और अब यह Windows और Mac पर Microsoft 365 वाले Excel में Data > From Picture के अंदर मिलता है। आप एक टेबल की फोटो खींचते हैं या लोड करते हैं, साइड पैनल में पहचाने गए सेल देखते हैं (संदिग्ध वैल्यू पर निशान लगा होता है) और उन्हें इन्सर्ट कर देते हैं। Google का रास्ता थोड़ा घुमावदार है: Drive में किसी इमेज या PDF पर राइट-क्लिक करके Open with > Google Docs चुनें। Google के अपने हेल्प पेज के अनुसार यह सिर्फ 2 MB या उससे छोटी फ़ाइलों पर चलता है और PDF के केवल पहले 10 पेज पढ़ता है। नतीजा एक डॉक्यूमेंट होता है, इसलिए टेबल अक्सर टेक्स्ट की लाइनों के रूप में आती है, जिसे आपको Sheets में पेस्ट करके अलग-अलग कॉलम में बाँटना पड़ता है।

Adobe Acrobat Pro किसी PDF को Microsoft Excel वर्कबुक में एक्सपोर्ट करता है और एक्सपोर्ट के दौरान स्कैन किए पेजों पर OCR चलाता है। Windows पर Microsoft 365 वाला Excel भी Get Data > From File > From PDF से टेक्स्ट PDF की टेबल खींच सकता है, जो Power Query खोलता है। यह पेज के हिसाब से हर पहचानी गई टेबल दिखाता है, स्टेटमेंट के महीने भर के पेजों को एक टेबल में जोड़ने देता है और अगले महीने की फ़ाइल बदलने पर रीफ़्रेश हो जाता है। यह स्कैन नहीं पढ़ता, और Mac वाले Excel में यह कनेक्टर नहीं है।

बाकी काम ब्राउज़र कन्वर्टर बिना कुछ इंस्टॉल किए कर देते हैं। टेक्स्ट या स्कैन PDF के लिए PDF to Excel हर पहचानी गई टेबल को अलग शीट में बदल देता है; फोटो या स्क्रीनशॉट के लिए इमेज को Excel में बदलें, या जब किसी दूसरे प्रोग्राम में इम्पोर्ट करना हो तो टेबल को CSV के रूप में सेव करें। नीचे दी गई तालिका पाँचों तरीकों की तुलना करती है।

जो कन्वर्टेड टेबल सही दिखती है, वह अभी भरोसे लायक टेबल नहीं है। पहले पंक्तियाँ गिनें: अगर स्टेटमेंट में 47 ट्रांज़ैक्शन हैं, तो शीट में 47 डेटा पंक्तियाँ होनी चाहिए, 46 नहीं (दो लाइनें मिल गईं) और 49 भी नहीं (लपेटा हुआ विवरण अलग पंक्ति बन गया)। फिर किसी एक संख्या वाले कॉलम को SUM से जोड़ें और दस्तावेज़ पर छपे कुल से मिलाएँ। अगर दस्तावेज़ में कुल नहीं है, तो कुछ वैल्यू हाथ से जोड़कर मिलाएँ।

इसके बाद ऐसे सेल ढूँढें जो सिर्फ़ संख्या होने का दिखावा करते हैं। Excel में असली संख्याएँ डिफ़ॉल्ट रूप से दाईं ओर और टेक्स्ट बाईं ओर अलाइन होता है, इसलिए किसी कॉलम में कुछ राशियाँ बाईं ओर हों तो यह एक संकेत है; हेल्पर कॉलम में ISNUMBER लगाकर ऐसे सब सेल एक साथ मिल जाते हैं। तारीखों पर भी यही शक रखें। टेक्स्ट के रूप में पढ़ी गई तारीख वर्णक्रम में सॉर्ट होती है, इसलिए 10/02 की जगह 2/03 के बाद नहीं बल्कि उससे पहले आ जाती है, और 03/04 का मतलब लिखने वाले के हिसाब से 3 अप्रैल या 4 मार्च हो सकता है।

आख़िर में यह देखें कि क्या खो गया, सिर्फ़ यह नहीं कि क्या बदला। लंबे अकाउंट और कार्ड नंबर पुराना जाल हैं: Excel संख्याओं को 15 सार्थक अंकों तक सेव करता है, इसलिए 16 अंकों का कार्ड नंबर संख्या के रूप में टाइप या इम्पोर्ट करने पर उसका आख़िरी अंक शून्य बन जाता है।

जब कोई व्यक्ति Excel, Google Sheets या Numbers में डेटा पर काम करेगा, तब XLSX चुनें। यह कई टेबल को अलग शीट में, असली संख्या और तारीख के प्रकार, बोल्ड हेडर पंक्तियाँ और मर्ज किए सेल सुरक्षित रखता है। जब सॉफ़्टवेयर इम्पोर्ट करेगा, तब CSV चुनें: बजट ऐप, अकाउंटिंग पैकेज, डेटाबेस और स्क्रिप्ट। CSV सादा टेक्स्ट है जिसमें हर फ़ाइल में एक टेबल होती है, और इसे 2005 के RFC 4180 में बताया गया है। तीन सेटिंग मायने रखती हैं: डिलिमिटर, एन्कोडिंग और संख्याएँ संख्या के रूप में सेव हों या नहीं।

डिलिमिटर इम्पोर्ट करने वाले प्रोग्राम से मेल खाना चाहिए; जिन देशों में दशमलव कॉमा से लिखा जाता है, वहाँ Excel सेमीकोलन की उम्मीद करता है। एन्कोडिंग तय करती है कि Müller या São Paulo जैसे नाम सही बचेंगे या नहीं: BOM वाला UTF-8 वही है जिसे Windows का Excel डबल-क्लिक पर सही पढ़ता है। शुरुआती शून्य सबसे आम नुकसान है। 02134 जैसे अमेरिकी ZIP कोड, कर्मचारी ID और प्रोडक्ट कोड पहचानकर्ता हैं, मात्राएँ नहीं, और जैसे ही कुछ उन्हें संख्या मानता है वे 2134 बन जाते हैं। ID से भरी टेबल के लिए संख्याओं को संख्या के रूप में सेव करें बंद करें, या CSV को इम्पोर्ट करते समय उन कॉलम को Text पर सेट करें।

एक टेबल निकालना बस एक झटपट काम है; साल भर के इनवॉइस या बारह महीनों के बैंक स्टेटमेंट निकालना एक छोटा डेटा प्रोजेक्ट है। जहाँ हो सके, सोर्स दस्तावेज़ एक ही लेआउट में रखें और उन्हें एक साथ कन्वर्ट करें ताकि हर फ़ाइल पर एक जैसी सेटिंग लगे। टेक्स्ट PDF के साथ एक बार में 20 तक अपलोड करें, हर एक 95 MB तक, और जब स्टेटमेंट की ट्रांज़ैक्शन टेबल कई पेजों तक चलती हो तो शीट विकल्प में सब कुछ एक शीट पर चुनें। फोटो एक बार में एक टेबल इमेज ही कन्वर्ट होती है, इसलिए कागज़ी इनवॉइस के ढेर के लिए पहले इमेज से PDF से पेज जोड़ लेना अक्सर तेज़ रहता है, फिर PDF पेज में वह रेंज दें जिसमें टेबल हैं।

बैच के बाद नतीजों को एक शीट में जोड़ें और एक कॉलम रखें जिसमें सोर्स फ़ाइल का नाम दर्ज हो। अगर दस्तावेज़ ज़्यादातर टेक्स्ट हैं और उनमें एक-दो टेबल हैं, तो PDF को Word में बदलना पैराग्राफ़ और टेबल दोनों को साथ रखता है।

बैंक स्टेटमेंट, पेस्लिप और इनवॉइस में अकाउंट नंबर, पते और खर्च का इतिहास होता है, इसलिए सोचें कि वे कहाँ जा रहे हैं। UltKit पर अपलोड और बनी हुई फ़ाइलें प्रोसेसिंग के 30 मिनट बाद डिलीट हो जाती हैं और उन्हें कोई नहीं पढ़ता। फिर भी सबसे सुरक्षित कॉपी वही है जो आपके कंप्यूटर से बाहर जाती ही नहीं: अपलोड से पहले ऐसे कॉलम क्रॉप या छिपा दें जिनकी ज़रूरत नहीं, जैसे पूरे अकाउंट नंबर, और जिन लोकल एक्सपोर्ट की ज़रूरत नहीं रही उन्हें डिलीट कर दें।