Estrarre tabelle da immagini e PDF in Excel o CSV

Prima di scegliere uno strumento conviene capire che tipo di tabella si ha davanti, perché le tre fonti più comuni sbagliano in modi diversi. Aprire il PDF e provare a selezionare un singolo numero con il cursore. Se il numero si evidenzia da solo, il file è un PDF di testo: ogni carattere è memorizzato come testo in una posizione esatta e l'estrazione consiste soprattutto nel raggruppare quei caratteri in righe e colonne. Se si evidenzia l'intera pagina come un unico blocco, o non si evidenzia nulla, si ha tra le mani l'immagine di una tabella e qualcuno deve prima leggerne i pixel.

Il terzo caso è facile da non notare. Molti report esportati da vecchi gestionali, programmi da terminale e corpi di email sembrano tabelle, ma sono testo semplice allineato con tabulazioni o serie di spazi. Non esistono celle, solo un layout a spaziatura fissa. Applicare l'OCR a uno screenshot di quel testo butta via informazioni già disponibili: copiare il testo e dividerlo in colonne è più rapido ed esatto. Le schede qui sotto riassumono cosa serve a ciascuna fonte.

Il riconoscimento delle tabelle è un secondo passaggio che parte dopo il riconoscimento dei caratteri. Prima individua le celle: nelle tabelle con bordi segue le linee orizzontali e verticali e considera ogni riquadro chiuso una cella; in quelle senza bordi cerca spazi vuoti verticali che attraversano tutta l'altezza del blocco. Poi allinea le colonne, stabilendo che un numero spostato di qualche pixel a destra rispetto a quello sopra appartiene comunque alla stessa colonna.

Segue la riga di intestazione. I sistemi di riconoscimento cercano una prima riga in grassetto, evidenziata o composta da parole sopra colonne di numeri, e uniscono in una sola cella le intestazioni che vanno a capo su due righe. L'ultimo passaggio sono le celle unite: un'etichetta come Q1 su tre colonne di mesi viene rilevata dalla mancanza di linee interne e ricostruita come cella unita oppure copiata in ogni colonna coperta.

Nulla di tutto questo è comprensione del testo. Il software non sa che una colonna contiene date o che una riga è un subtotale: vede solo geometria e caratteri. Per questo lo stesso strumento può essere perfetto su un estratto conto e sbagliare il successivo di un'altra banca, e per questo esistono impostazioni come Stile tabella e Rileva riga di intestazione: forniscono al riconoscimento un'informazione che non può dedurre in modo affidabile.

La maggior parte degli errori rientra in due gruppi. Gli errori di geometria rompono la griglia e i valori finiscono nella riga o nella colonna sbagliata. Gli errori sui numeri lasciano intatta la griglia ma cambiano il significato di una cella, ed è peggio perché il foglio sembra a posto. Una colonna fuori posto si nota subito; 1.234 letto come decimale anziché come migliaia no.

Le impostazioni regionali sono la causa principale dei problemi con i numeri. Stati Uniti e Regno Unito scrivono 1,234.56; Germania, Brasile e gran parte dell'Europa continentale scrivono 1.234,56; la Francia usa lo spazio come separatore delle migliaia; la Svizzera spesso usa l'apostrofo, come in 1'234.56; l'India raggruppa le cifre come 1,23,456. I documenti contabili aggiungono numeri negativi tra parentesi e simboli di valuta attaccati alle cifre. Ecco a cosa fare attenzione e come risolvere ogni caso.

Ogni minuto speso sull'input ne fa risparmiare diversi nel foglio di calcolo. I motori OCR sono in genere ottimizzati per testo scansionato a circa 300 dpi, che per una pagina A4 o US Letter significa circa 2480 × 3508 px o 2550 × 3300 px. La fotocamera di uno smartphone moderno supera facilmente questo valore se la pagina riempie l'inquadratura, ma una foto dell'intera pagina scattata da lontano e poi ritagliata su una piccola tabella può scendere molto al di sotto.

Il contrasto conta quanto la risoluzione. Gli scontrini su carta termica sbiadiscono, le linee grigie su sfondo grigio spariscono e l'ombra dello smartphone sulla pagina può tagliare una colonna a metà. Se l'originale è un documento cartaceo da cui si estrae spesso, la guida su come scansionare documenti in PDF approfondisce illuminazione e impostazioni dello scanner. Prima di caricare, scorrere questo elenco.

La funzione Dati da immagine di Excel è arrivata nell'app Android nel 2019, poi su iPhone, e ora è presente in Excel per Microsoft 365 su Windows e Mac sotto Dati > Da immagine. Si fotografa o si carica una tabella, si controllano le celle riconosciute in un pannello laterale che segnala i valori dubbi e le si inserisce. Google offre un percorso meno diretto: in Drive, fare clic con il pulsante destro su un'immagine o un PDF e scegliere Apri con > Documenti Google. La guida di Google limita questa funzione a file di 2 MB o meno e legge solo le prime 10 pagine di un PDF; il risultato è un documento, quindi spesso la tabella arriva come righe di testo da incollare in Fogli e dividere.

Adobe Acrobat Pro esporta un PDF in una cartella di lavoro di Microsoft Excel ed esegue l'OCR sulle pagine scansionate durante l'esportazione. Anche Excel per Microsoft 365 su Windows può estrarre tabelle da un PDF di testo con Recupera dati > Da file > Da PDF, che apre Power Query; elenca ogni tabella rilevata per pagina, consente di accodare le pagine mensili di un estratto conto in un'unica tabella e si aggiorna quando si sostituisce il file con quello del mese successivo. Non legge le scansioni, e Excel per Mac non dispone del connettore.

I convertitori nel browser coprono il resto senza installare nulla. Per un PDF di testo o scansionato, PDF in Excel trasforma ogni tabella rilevata in un foglio separato; per una foto o uno screenshot, convertire l'immagine in Excel oppure salvare la tabella in CSV quando un altro programma dovrà importarla. La tabella confronta le cinque strade.

Una tabella convertita che sembra corretta non è ancora una tabella su cui fare affidamento. Si parte dal numero di righe: se l'estratto conto elenca 47 movimenti, il foglio deve avere 47 righe di dati, non 46 perché due righe si sono fuse né 49 perché una descrizione andata a capo è diventata una riga a sé. Poi si somma una colonna numerica con SOMMA e si confronta il risultato con il totale riportato nel documento. Se il documento non ha un totale, sommare a mano alcuni valori e confrontare.

Poi cercare le celle che fingono soltanto di essere numeri. In Excel i numeri veri si allineano a destra per impostazione predefinita e il testo a sinistra, quindi una colonna con alcuni importi allineati a sinistra segnala un problema; VAL.NUMERO in una colonna di appoggio li trova tutti insieme. Le date meritano lo stesso sospetto. Una data letta come testo viene ordinata in ordine alfabetico, quindi 10/02 finisce prima di 2/03, e 03/04 può significare 3 aprile o 4 marzo a seconda di chi l'ha scritta.

Infine, controllare cosa è andato perso e non solo cosa è cambiato. I lunghi numeri di conto e di carta sono una trappola classica: Excel memorizza i numeri con 15 cifre significative, quindi in un numero di carta di 16 cifre digitato o importato come numero l'ultima cifra diventa zero.

Scegliere XLSX quando una persona lavorerà sui dati in Excel, Fogli Google o Numbers. Mantiene più tabelle su fogli separati, veri tipi numerici e data, righe di intestazione in grassetto e celle unite. Scegliere CSV quando saranno altri software a importarlo: app di budget, programmi di contabilità, database e script. Il CSV è testo semplice con una tabella per file, descritto nella RFC 4180 del 2005, e le tre impostazioni che contano sono il delimitatore, la codifica e se i numeri vengono salvati come numeri.

Il delimitatore deve corrispondere al programma che importa; Excel nei paesi che scrivono i decimali con la virgola si aspetta il punto e virgola. La codifica decide se nomi come Müller o São Paulo sopravvivono: UTF-8 con BOM è ciò che Excel per Windows legge correttamente con un doppio clic. Gli zeri iniziali sono la perdita classica. I CAP statunitensi come 02134, gli ID dei dipendenti e i codici prodotto sono identificatori, non quantità, e diventano 2134 non appena qualcosa li tratta come numeri. Disattivare Salva i numeri come valori numerici per le tabelle piene di ID, oppure importare il CSV con quelle colonne impostate come Testo.

Estrarre una tabella è una consultazione; estrarre un anno di fatture o dodici estratti conto mensili è un piccolo progetto sui dati. Se possibile, tenere i documenti di origine con lo stesso layout e convertirli in un'unica passata, così ogni file riceve le stesse impostazioni. Con i PDF di testo si possono caricare fino a 20 file alla volta, ciascuno fino a 95 MB, e scegliere Tutto su un unico foglio nell'opzione Fogli quando la tabella dei movimenti di un estratto conto continua su più pagine. Le foto si convertono una tabella alla volta, quindi per una pila di fatture cartacee spesso conviene prima unire le pagine con da immagine a PDF e poi indicare in Pagine PDF l'intervallo che contiene le tabelle.

Dopo un lotto, accodare i risultati in un unico foglio con una colonna che riporti il nome del file di origine. Se i documenti sono per lo più testo con una o due tabelle, convertire il PDF in Word mantiene invece insieme paragrafi e tabelle.

Estratti conto, buste paga e fatture contengono numeri di conto, indirizzi e storico delle spese, quindi è bene pensare a dove finiscono. Su UltKit i caricamenti e i file generati vengono eliminati 30 minuti dopo l'elaborazione e non vengono letti da nessuno. Resta comunque vero che la copia più sicura è quella che non lascia mai il computer: prima del caricamento, ritagliare od oscurare le colonne non necessarie, come i numeri di conto completi, ed eliminare le esportazioni locali che non servono più.