Táblázat kinyerése képből és PDF-ből Excelbe vagy CSV-be

Mielőtt eszközt választ, derítse ki, milyen táblázata van valójában, mert a három gyakori forrás különbözőképpen hibázik. Nyissa meg a PDF-et, és próbáljon kijelölni egyetlen számot a kurzorral. Ha a szám önállóan kijelölődik, a fájl szöveges PDF: minden karakter szövegként, pontos helyen van tárolva, a kinyerés pedig főleg abból áll, hogy a karaktereket sorokba és oszlopokba csoportosítják. Ha az egész oldal egy tömbként jelölődik ki, vagy semmi sem jelölődik ki, akkor a táblázat képe van előtte, és előbb valakinek el kell olvasnia a pixeleket.

A harmadik esetet könnyű elnézni. Sok régebbi könyvelőrendszerből, terminálprogramból és e-mail-szövegből származó kimutatás táblázatnak látszik, de valójában tabulátorokkal vagy szóközökkel igazított sima szöveg. Cellák nincsenek, csak egyenközű betűs elrendezés. Egy ilyen szöveg képernyőképén OCR-t futtatni eldobja a már meglévő információt; a szöveg másolása és oszlopokra bontása gyorsabb és pontos. Az alábbi kártyák összefoglalják, mit igényel az egyes forrás.

A táblázatfelismerés második menet, amely a karakterek felismerése után fut. Először megkeresi a cellákat: a vonalazott táblázatoknál követi a vízszintes és függőleges vonalakat, és minden zárt dobozt cellának tekint; a keret nélküli táblázatoknál olyan függőleges üres sávokat keres, amelyek a blokk teljes magasságában végigfutnak. Ezután igazítja az oszlopokat, és eldönti, hogy a fölötte lévőtől néhány pixellel jobbra álló szám még ugyanabba az oszlopba tartozik.

Következik a fejlécsor. A felismerő olyan első sort keres, amely félkövér, árnyékolt, vagy számoszlopok fölötti szavakból áll, és a két sorba tördelt fejléceket egyetlen cellává egyesíti. Az összevont cellák az utolsó lépés: az olyan címke, mint a Q1, amely három hónaposzlopot fog át, a hiányzó belső vonalakból ismerhető fel, és vagy összevont cellaként épül újra, vagy minden érintett oszlopba bemásolódik.

Ez mind nem szövegértés. A szoftver nem tudja, hogy egy oszlop dátumokat tartalmaz, vagy hogy egy sor részösszeg; csak a geometriát és a karaktereket látja. Ezért lehet ugyanaz az eszköz hibátlan az egyik kimutatásnál, és összekeverheti egy másik bank következőjét, és ezért léteznek olyan beállítások, mint a Táblázat stílusa és a Fejlécsor felismerése: olyan tényt adnak a felismerőnek, amelyet nem tud megbízhatóan kikövetkeztetni.

A hibák többsége két csoportba esik. A geometriai hibák szétverik a rácsot, így az értékek rossz sorba vagy oszlopba kerülnek. A számhibák érintetlenül hagyják a rácsot, de megváltoztatják a cella jelentését, ami rosszabb, mert a munkalap rendben lévőnek látszik. Az elcsúszott oszlop első pillantásra feltűnik; az, hogy az 1.234-et tizedesként olvasta ezres helyett, nem.

A számproblémák fő forrása a területi beállítás. Az Egyesült Államok és az Egyesült Királyság 1,234.56 formában ír; Németország, Brazília és a legtöbb kontinentális európai ország 1.234,56 formában; Franciaország szóközt használ ezres elválasztóként; Svájcban gyakran aposztróf áll, például 1'234.56; Indiában pedig 1,23,456 a csoportosítás. A könyvelési dokumentumokban a negatív számok zárójelben állnak, a pénznemjelek pedig a számjegyekhez tapadnak. Íme, mire kell figyelni, és mi javítja az egyes eseteket.

A bemenetre fordított minden perc többet spórol a táblázatkezelőben. Az OCR-motorokat általában nagyjából 300 dpi felbontású szkennelt szövegre hangolják, ami A4-es vagy US Letter oldalnál nagyjából 2480 × 3508 px, illetve 2550 × 3300 px. Egy mai telefonkamera ezt könnyen túlszárnyalja, ha az oldal kitölti a képkockát, de az asztal túloldaláról készült, majd kis táblázatra vágott teljes oldalas fotó jóval alatta maradhat.

A kontraszt legalább annyira számít, mint a felbontás. A hőpapíros nyugták elhalványulnak, a szürke háttéren a szürke táblázatvonalak eltűnnek, a telefon árnyéka pedig kettévághat egy oszlopot. Ha rendszeresen papírdokumentumból nyer ki adatot, a dokumentumok PDF-be szkennelése útmutató részletesebben tárgyalja a megvilágítást és a szkenner beállításait. Feltöltés előtt menjen végig ezen a listán.

Az Excel Adatok képből funkciója 2019-ben jelent meg az Android-alkalmazásban, majd iPhone-on, és ma már a Microsoft 365 Excelben is elérhető Windowson és Macen az Adatok > Képből menüpont alatt. Lefényképez vagy betölt egy táblázatot, egy oldalsó panelen átnézi a felismert cellákat, amely jelzi a kétes értékeket, majd beszúrja őket. A Google közvetettebb utat kínál: a Drive-ban kattintson jobb gombbal egy képre vagy PDF-re, és válassza a Megnyitás ezzel > Google Dokumentumok lehetőséget. A Google saját súgóoldala szerint ez legfeljebb 2 MB-os fájlokra működik, és a PDF-nek csak az első 10 oldalát olvassa, az eredmény pedig dokumentum, így a táblázat gyakran szövegsorokként érkezik, amelyeket be kell illesztenie a Táblázatokba, majd szét kell bontania.

Az Adobe Acrobat Pro Microsoft Excel-munkafüzetbe exportálja a PDF-et, és exportálás közben OCR-t futtat a beszkennelt oldalakon. A Microsoft 365 Excel Windowson a Lekérdezés > Fájlból > PDF-ből funkcióval szöveges PDF-ből is képes táblázatokat betölteni, ami a Power Query-t nyitja meg; oldalanként felsorolja az összes felismert táblázatot, lehetővé teszi egy kimutatás havi oldalainak egyetlen táblába fűzését, és frissül, amikor a következő havi fájlra cseréli. Szkenneléseket nem olvas, és az Excel Macen nincs meg ez a összekötő.

A böngészős átalakítók telepítés nélkül lefedik a többit. Szöveges vagy beszkennelt PDF-hez a PDF Excelbe minden felismert táblázatot külön munkalapra tesz; fotóhoz vagy képernyőképhez alakítsa a képet Excellé, vagy mentse a táblázatot CSV-be, ha másik program importálja. A táblázat összehasonlítja az öt utat.

Egy jónak látszó átalakított táblázat még nem olyan táblázat, amelyre támaszkodhat. Kezdje a sorok számával: ha a kimutatás 47 tranzakciót sorol fel, a munkalapon 47 adatsornak kell lennie, nem 46-nak, mert két sor összeolvadt, vagy 49-nek, mert egy tördelt leírás külön sor lett. Ezután adjon össze egy számoszlopot a SUM függvénnyel, és vesse össze a dokumentumon nyomtatott végösszeggel. Ha a dokumentumon nincs végösszeg, adjon össze néhány értéket kézzel, és hasonlítsa össze.

Ezután keresse meg azokat a cellákat, amelyek csak úgy tesznek, mintha számok lennének. Az Excelben a valódi számok alapból jobbra, a szövegek balra igazodnak, így ha egy oszlopban néhány összeg balra igazodik, az jelent valamit; egy segédoszlopon az ISNUMBER egyszerre megtalálja mindet. A dátumokkal szemben is érdemes gyanakodni. A szövegként olvasott dátum betűrend szerint rendeződik, így a 10/02 a 2/03 elé kerül, a 03/04 pedig jelentheti április 3-át vagy március 4-ét, attól függően, ki írta.

Végül azt is ellenőrizze, mi veszett el, nem csak azt, mi változott. A hosszú számla- és kártyaszámok klasszikus csapdák: az Excel 15 értékes jegyű számokat tárol, így a számként beírt vagy importált 16 jegyű kártyaszám utolsó számjegye nullává válik.

Válassza az XLSX-et, ha ember dolgozik az adatokkal Excelben, Google Táblázatokban vagy Numbersben. Több táblázatot őriz külön munkalapokon, valódi szám- és dátumtípusokat, félkövér fejlécsorokat és összevont cellákat. Válassza a CSV-t, ha szoftver importálja: költségvetési alkalmazások, könyvelőprogramok, adatbázisok és szkriptek. A CSV sima szöveg, fájlonként egy táblázattal, amelyet az RFC 4180 ír le 2005-ből, és három beállítás számít: az elválasztó, a kódolás, és hogy a számok számként tárolódnak-e.

Az elválasztónak egyeznie kell az importáló programéval; a tizedesvesszőt használó országokban az Excel pontosvesszőt vár. A kódolás dönti el, hogy az olyan nevek, mint a Müller vagy a São Paulo, épségben maradnak-e: a BOM-os UTF-8-at olvassa helyesen az Excel Windowson dupla kattintásra. A kezdő nullák elvesznek a klasszikus módon. Az amerikai irányítószámok, például a 02134, az alkalmazotti azonosítók és a termékkódok azonosítók, nem mennyiségek, és 2134 lesznek, amint bármi számként kezeli őket. Kapcsolja ki a Számok tárolása számként beállítást az azonosítókkal teli táblázatoknál, vagy importálja a CSV-t úgy, hogy ezek az oszlopok Szöveg típusúak.

Egy táblázat kinyerése egyszerű keresés; egy évnyi számla vagy tizenkét havi bankkivonat kinyerése kisebb adatprojekt. Tartsa a forrásdokumentumokat lehetőleg azonos elrendezésben, és egy menetben alakítsa át őket, hogy minden fájl ugyanazokat a beállításokat kapja. Szöveges PDF-eknél egyszerre legfeljebb 20-at tölthet fel, egyenként legfeljebb 95 MB-osat, és a Munkalapok beállításnál válassza a Minden egy munkalapon lehetőséget, ha a kimutatás tranzakciós táblázata több oldalon át folytatódik. A fotók táblázatképenként alakulnak át, így egy köteg papírszámlánál gyakran gyorsabb először összefűzni az oldalakat a kép PDF-be eszközzel, majd a PDF-oldalak beállítást a táblázatokat tartalmazó tartományra állítani.

A köteg után fűzze az eredményeket egy munkalapra, egy olyan oszloppal, amely rögzíti a forrásfájl nevét. Ha a dokumentumok többnyire szövegesek egy-két táblázattal, inkább a PDF Wordbe konvertálása tartja együtt a bekezdéseket és a táblázatokat.

A bankkivonatok, bérjegyzékek és számlák számlaszámokat, címeket és költési előzményeket tartalmaznak, ezért gondolja át, hová küldi őket. Az UltKitben a feltöltések és a generált fájlok a feldolgozás után 30 perccel törlődnek, és senki sem olvassa őket. Mégis a legbiztonságosabb másolat az, amely sosem hagyja el a számítógépét: feltöltés előtt vágja le vagy takarja ki a nem szükséges oszlopokat, például a teljes számlaszámokat, és törölje a már nem szükséges helyi exportokat.