Cara Mengambil Tabel dari Gambar dan PDF ke Excel atau CSV

Sebelum memilih alat, cari tahu jenis tabel yang sebenarnya Anda miliki, karena tiga sumber yang umum gagal dengan cara yang berbeda. Buka PDF-nya dan coba pilih satu angka dengan kursor. Jika angka itu tersorot sendiri, file tersebut adalah PDF teks: setiap karakter disimpan sebagai teks pada posisi yang pasti, dan ekstraksi sebagian besar hanya soal mengelompokkan karakter-karakter itu menjadi baris dan kolom. Jika seluruh halaman tersorot sebagai satu blok, atau tidak ada yang tersorot sama sekali, yang Anda pegang adalah gambar sebuah tabel, dan pikselnya harus dibaca lebih dulu.

Kasus ketiga mudah terlewat. Banyak laporan yang diekspor dari sistem akuntansi lama, program terminal, dan isi email tampak seperti tabel, padahal hanya teks biasa yang dirapikan dengan tab atau deretan spasi. Tidak ada sel sama sekali, hanya tata letak monospace. Menjalankan OCR pada screenshot teks semacam itu justru membuang informasi yang sudah Anda miliki; menyalin teksnya lalu memecahnya menjadi kolom lebih cepat dan hasilnya persis. Kartu di bawah merangkum kebutuhan setiap sumber.

Pengenalan tabel adalah tahap kedua yang berjalan setelah karakternya diketahui. Pertama, sel ditemukan: pada tabel bergaris, garis horizontal dan vertikal ditelusuri dan setiap kotak tertutup dianggap satu sel; pada tabel tanpa garis, dicari celah ruang kosong vertikal yang membentang sepanjang tinggi blok. Kemudian kolom diselaraskan, misalnya menentukan bahwa angka yang bergeser beberapa piksel ke kanan dari angka di atasnya tetap berada di kolom yang sama.

Berikutnya baris judul. Pengenal mencari baris pertama yang tebal, berlatar arsir, atau berisi kata-kata di atas kolom angka, dan menggabungkan judul yang terlipat menjadi dua baris ke dalam satu sel. Sel gabungan adalah langkah terakhir: label seperti Q1 yang membentang di atas tiga kolom bulan dikenali dari garis dalam yang hilang, lalu dibangun ulang sebagai sel gabungan atau disalin ke setiap kolom yang dicakupnya.

Semua ini bukan pemahaman bacaan. Perangkat lunak tidak tahu bahwa sebuah kolom berisi tanggal atau bahwa suatu baris adalah subtotal; ia hanya melihat geometri dan karakter. Itulah sebabnya alat yang sama bisa sempurna pada satu rekening koran tetapi mengacak rekening koran berikutnya dari bank lain, dan itulah alasan pengaturan seperti Gaya tabel dan Deteksi baris judul ada: keduanya memberi pengenal fakta yang tidak bisa ia simpulkan dengan andal.

Sebagian besar kegagalan terbagi dua. Kegagalan geometri merusak kisi, sehingga nilai masuk ke baris atau kolom yang salah. Kegagalan angka membiarkan kisi utuh tetapi mengubah arti sebuah sel, dan ini lebih buruk karena lembar kerjanya tampak baik-baik saja. Kolom yang bergeser langsung terlihat; 1.234 yang dibaca sebagai desimal, bukan seribu, tidak terlihat.

Format angka per negara adalah sumber masalah utama. Amerika Serikat dan Inggris menulis 1,234.56; Indonesia, Jerman, Brasil, dan sebagian besar Eropa daratan menulis 1.234,56; Prancis memakai spasi sebagai pemisah ribuan; Swiss sering memakai apostrof, seperti 1'234.56; dan India mengelompokkan digit sebagai 1,23,456. Dokumen akuntansi menambahkan angka negatif dalam tanda kurung dan simbol mata uang yang menempel pada digit. Berikut hal yang perlu diwaspadai dan cara mengatasi setiap kasus.

Setiap menit yang dihabiskan untuk menyiapkan masukan menghemat beberapa menit di lembar kerja. Mesin OCR umumnya disetel untuk teks yang dipindai sekitar 300 dpi, yang untuk halaman A4 atau US Letter berarti kira-kira 2480 × 3508 px atau 2550 × 3300 px. Kamera ponsel modern dengan mudah melampauinya jika halaman memenuhi bingkai, tetapi foto satu halaman penuh yang diambil dari seberang meja, lalu dipotong ke tabel kecil, bisa turun jauh di bawah angka itu.

Kontras sama pentingnya dengan resolusi. Struk kertas termal memudar, garis tabel abu-abu di atas latar abu-abu menghilang, dan bayangan ponsel Anda di atas halaman bisa membelah sebuah kolom. Jika aslinya dokumen kertas yang akan rutin Anda ambil datanya, panduan memindai dokumen ke PDF membahas pencahayaan dan pengaturan pemindai lebih rinci. Sebelum mengunggah, periksa daftar ini.

Fitur Data dari Gambar di Excel pertama hadir di aplikasi Android pada 2019, lalu di iPhone, dan kini ada di Excel untuk Microsoft 365 di Windows dan Mac lewat Data > Dari Gambar. Anda memotret atau memuat satu tabel, meninjau sel hasil pengenalan di panel samping yang menandai nilai yang meragukan, lalu menyisipkannya. Google menawarkan jalan yang kurang langsung: di Drive, klik kanan gambar atau PDF dan pilih Buka dengan > Google Dokumen. Halaman bantuan Google sendiri membatasi fitur ini pada file 2 MB atau lebih kecil dan hanya membaca 10 halaman pertama PDF, dan hasilnya berupa dokumen, jadi tabel sering muncul sebagai baris-baris teks yang lalu Anda tempel ke Spreadsheet dan pecah.

Adobe Acrobat Pro mengekspor PDF ke workbook Microsoft Excel dan menjalankan OCR pada halaman hasil scan saat ekspor. Excel untuk Microsoft 365 di Windows juga bisa menarik tabel dari PDF teks lewat Dapatkan Data > Dari File > Dari PDF, yang membuka Power Query; fitur ini mencantumkan setiap tabel yang terdeteksi per halaman, memungkinkan Anda menyambung halaman-halaman bulanan rekening koran menjadi satu tabel, dan memperbarui diri saat Anda mengganti file dengan bulan berikutnya. Fitur ini tidak membaca hasil scan, dan Excel untuk Mac tidak memiliki konektor tersebut.

Konverter di browser menangani sisanya tanpa memasang apa pun. Untuk PDF teks atau hasil scan, ubah PDF ke Excel menjadikan setiap tabel yang terdeteksi sebagai sheet tersendiri; untuk foto atau screenshot, ubah gambar ke Excel atau simpan tabel sebagai CSV bila program lain yang akan mengimpornya. Tabel berikut membandingkan kelima cara itu.

Tabel hasil konversi yang tampak benar belum tentu tabel yang bisa diandalkan. Mulailah dari jumlah baris: jika rekening koran mencantumkan 47 transaksi, lembar kerja harus punya 47 baris data, bukan 46 karena dua baris menyatu atau 49 karena keterangan yang terlipat menjadi baris tersendiri. Lalu jumlahkan satu kolom angka dengan SUM dan bandingkan dengan total yang tercetak di dokumen. Jika dokumen tidak mencantumkan total, jumlahkan beberapa nilai secara manual dan bandingkan.

Selanjutnya, cari sel yang hanya berpura-pura menjadi angka. Di Excel, angka sungguhan secara bawaan rata kanan dan teks rata kiri, jadi kolom dengan beberapa nominal rata kiri sedang memberi tanda; ISNUMBER di kolom bantu menemukan semuanya sekaligus. Tanggal juga patut dicurigai. Tanggal yang terbaca sebagai teks diurutkan secara alfabetis, sehingga 10/02 muncul sebelum 2/03, dan 03/04 bisa berarti 3 April atau 4 Maret tergantung siapa yang menulisnya.

Terakhir, periksa apa yang hilang, bukan hanya apa yang berubah. Nomor rekening dan nomor kartu yang panjang adalah jebakan klasik: Excel menyimpan angka dengan 15 digit signifikan, sehingga nomor kartu 16 digit yang diketik atau diimpor sebagai angka akan berubah digit terakhirnya menjadi nol.

Pilih XLSX jika orang yang akan mengolah datanya di Excel, Google Spreadsheet, atau Numbers. Format ini menyimpan beberapa tabel di sheet terpisah, tipe angka dan tanggal yang sebenarnya, baris judul tebal, dan sel gabungan. Pilih CSV jika perangkat lunak yang akan mengimpornya: aplikasi anggaran, aplikasi akuntansi, database, dan skrip. CSV adalah teks biasa dengan satu tabel per file, dijelaskan dalam RFC 4180 tahun 2005, dan tiga pengaturan yang penting adalah pemisah, encoding, dan apakah angka disimpan sebagai angka.

Pemisah harus cocok dengan program pengimpor; Excel di negara yang menulis desimal dengan koma, termasuk Indonesia, mengharapkan titik koma. Encoding menentukan apakah nama seperti Müller atau São Paulo tetap utuh: UTF-8 dengan BOM adalah yang dibaca dengan benar oleh Excel untuk Windows saat file diklik dua kali. Nol di depan adalah kehilangan yang klasik. Kode pos AS seperti 02134, nomor induk karyawan, dan kode produk adalah pengenal, bukan jumlah, dan berubah menjadi 2134 begitu ada yang memperlakukannya sebagai angka. Matikan Simpan angka sebagai angka untuk tabel yang penuh pengenal, atau impor CSV dengan kolom-kolom tersebut diatur sebagai Teks.

Mengambil satu tabel hanyalah pencarian singkat; mengambil faktur selama setahun atau dua belas rekening koran bulanan adalah proyek data kecil. Sebisa mungkin gunakan dokumen sumber dengan tata letak yang sama, dan konversi sekaligus agar setiap file mendapat pengaturan yang sama. Untuk PDF teks, unggah hingga 20 file sekaligus, masing-masing hingga 95 MB, dan pilih Semua dalam satu sheet pada opsi Sheet saat tabel transaksi rekening koran berlanjut ke halaman berikutnya. Foto dikonversi satu gambar tabel per proses, jadi untuk setumpuk faktur kertas sering lebih cepat menggabungkan halaman-halamannya dulu dengan ubah gambar ke PDF lalu mengarahkan Halaman PDF ke rentang yang memuat tabel.

Setelah satu batch selesai, gabungkan hasilnya ke satu sheet dengan kolom yang mencatat nama file sumber. Jika dokumennya sebagian besar berupa teks dengan satu atau dua tabel, mengubah PDF ke Word justru mempertahankan paragraf dan tabel bersama-sama.

Rekening koran, slip gaji, dan faktur memuat nomor rekening, alamat, dan riwayat belanja, jadi pikirkan ke mana file itu dikirim. Di UltKit, unggahan dan file hasil dihapus 30 menit setelah diproses dan tidak dibaca siapa pun. Meski begitu, salinan yang paling aman adalah yang tidak pernah meninggalkan komputer Anda: potong atau sensor kolom yang tidak diperlukan, seperti nomor rekening lengkap, sebelum mengunggah, dan hapus file ekspor lokal yang sudah tidak Anda perlukan.