画像・PDFの表をExcelやCSVに変換する方法 | UltKit

ツールを選ぶ前に、手元の表がどの種類かを確認します。よく見る3種類は、それぞれ失敗の仕方が違うためです。PDFを開き、カーソルで数字を1つ選択してみてください。その数字だけが反転するなら、テキストPDFです。すべての文字が正確な位置にテキストとして保存されているので、抽出の中心は文字を行と列にまとめる作業になります。ページ全体が1つのブロックとして反転する場合や、何も反転しない場合は、表の画像を持っている状態です。まずピクセルを文字として読み取る必要があります。

3つ目のケースは見落としやすいものです。古い会計システムやターミナルソフト、メール本文から出力されたレポートの多くは、表のように見えても、実際にはタブや連続した空白で位置をそろえただけのテキストです。セルはなく、等幅フォントのレイアウトがあるだけです。そのスクリーンショットにOCRをかけると、すでにある情報を捨てることになります。テキストをコピーして列に分割するほうが、速くて正確です。以下のカードで、それぞれの元データに必要な対応をまとめます。

表認識は、文字が読み取られたあとに行う2回目の処理です。まずセルを見つけます。罫線のある表では、水平線と垂直線をたどり、囲まれた各ボックスを1つのセルとして扱います。罫線のない表では、ブロックの高さ全体にわたる縦方向の空白の帯を探します。次に列をそろえます。上の数字より数ピクセル右にある数字も、同じ列に属すると判断します。

次は見出し行です。認識ツールは、太字や網掛けの1行目、数値の列の上に単語が並ぶ行を探し、2行に折り返された見出しを1つのセルにまとめます。最後がセルの結合です。たとえば3か月分の列にまたがるQ1のようなラベルは、内部の線がないことから検出され、結合セルとして再現されるか、対象の各列にコピーされます。

これらは内容を理解して行っているわけではありません。ソフトは、ある列が日付であることも、ある行が小計であることも知りません。見ているのは形状と文字だけです。そのため、同じツールでもある明細書は完璧に変換できるのに、別の銀行の次の明細書は崩れることがあります。表のスタイルや見出し行を検出のような設定があるのは、認識ツールが確実には推測できない情報を渡すためです。

失敗の多くは2つのグループに分かれます。1つは形状の失敗で、表の枠が崩れ、値が間違った行や列に入ります。もう1つは数値の失敗で、枠は保たれたままセルの意味が変わります。シートが正常に見えるぶん、こちらのほうが厄介です。列のずれは一目でわかりますが、1.234が千の位ではなく小数として読まれた場合は気づけません。

数値の問題は、主にロケールが原因です。米国と英国では1,234.56、ドイツ、ブラジル、ヨーロッパ大陸の大半では1.234,56と書きます。フランスでは千の位の区切りに空白を使い、スイスでは1'234.56のようにアポストロフィを使うことが多く、インドでは1,23,456のように桁をグループ化します。会計文書では、負の数がかっこで書かれたり、通貨記号が数字に直接付いたりします。注意点と対処法は次のとおりです。

入力データに手をかけた分、スプレッドシートでの修正の手間が減ります。OCRエンジンは、約300 dpiでスキャンされた文字向けに調整されていることが一般的です。A4やUSレターのページでは、およそ2480 × 3508 pxまたは2550 × 3300 pxにあたります。最近のスマートフォンのカメラは、ページが画面いっぱいに入っていれば十分に超えられます。ただし、机の向こうから全体を撮影し、小さな表に切り抜いた場合は、それを大きく下回ることがあります。

解像度と同じくらい、コントラストも重要です。感熱紙のレシートは色あせ、灰色の背景にある灰色の罫線は消え、スマートフォンの影がページにかかると列が途中で分断されることもあります。定期的に抽出する紙の文書がある場合は、書類をPDFにスキャンする方法のガイドで、照明やスキャナーの設定を詳しく紹介しています。アップロードする前に、次のリストを確認してください。

ExcelのData from Pictureは、2019年にAndroidアプリに登場し、その後iPhoneにも対応しました。現在は、WindowsとMac向けのMicrosoft 365版Excelで、データ > 図から のメニューから使えます。表を1つ撮影または読み込み、疑わしい値にフラグが付く側面パネルで認識されたセルを確認してから、挿入します。Googleには、もう少し遠回りな方法があります。Googleドライブで画像やPDFを右クリックし、アプリで開く > Google ドキュメントを選びます。Googleのヘルプページによると、2 MB以下のファイルに限られ、PDFは最初の10ページしか読み取られません。結果はドキュメントになるため、表は文字の行として出てくることが多く、それをスプレッドシートに貼り付けて分割します。

Adobe Acrobat Proは、PDFをMicrosoft Excelブックに書き出し、その際にスキャンされたページにOCRをかけます。WindowsのMicrosoft 365版Excelでは、データの取得 > ファイルから > PDFからでも、テキストPDFから表を取り込めます。これはPower Queryが開く方法で、検出された表がページごとに一覧表示されます。明細書の月ごとのページを1つの表に追加でき、翌月のファイルに差し替えると更新されます。ただしスキャンは読み取れず、Mac版Excelにはこのコネクタがありません。

それ以外は、ブラウザ上の変換ツールで、何もインストールせずに対応できます。テキストPDFやスキャンしたPDFには、検出された表をそれぞれ別のシートにするPDFをExcelに変換が使えます。写真やスクリーンショットには、画像をExcelに変換するか、ほかのプログラムに取り込む場合は表をCSVで保存してください。次の表で5つの方法を比較します。

正しく見える変換結果でも、そのまま信頼できる表とは限りません。まず行数を確認します。明細書に47件の取引があるなら、シートのデータ行も47行になるはずです。2行が結合されて46行だったり、折り返された説明が別の行になって49行だったりしてはいけません。次に、数値の列を1つSUMで合計し、文書に印刷された合計と比較します。文書に合計がない場合は、いくつかの値を手計算して照合してください。

次に、数値のふりをしているだけのセルを探します。Excelでは、本物の数値は標準で右揃え、文字列は左揃えになります。そのため、金額の列に左揃えのものが混ざっていれば、何かがおかしいということです。補助列でISNUMBERを使えば、まとめて見つけられます。日付も同じように疑ってください。文字列として読まれた日付は文字順に並ぶため、10/02が2/03より前に来ます。また、03/04は書いた人によって4月3日にも3月4日にもなります。

最後に、変更された点ではなく、失われた点を確認します。長い口座番号やカード番号は典型的な落とし穴です。Excelが保存できる数値は有効桁数15桁なので、16桁のカード番号を数値として入力または取り込むと、最後の桁が0になります。

ExcelやGoogleスプレッドシート、Numbersで人がデータを扱う場合は、XLSXを選びます。複数の表を別々のシートに保存でき、本物の数値型と日付型、太字の見出し行、結合セルも保持されます。家計簿アプリ、会計ソフト、データベース、スクリプトなど、ソフトウェアに取り込ませる場合はCSVを選びます。CSVは1ファイルに1つの表を持つプレーンテキストで、2005年のRFC 4180に定められています。重要な設定は、区切り文字、文字コード、数値を数値として保存するかどうかの3つです。

区切り文字は、取り込み先のプログラムに合わせる必要があります。小数点にカンマを使う国のExcelは、セミコロンを想定しています。文字コードは、MüllerやSão Pauloのような名前が正しく残るかどうかを左右します。Windows版Excelでダブルクリックして正しく読めるのは、BOM付きUTF-8です。先頭のゼロが消えるのは典型的な問題です。米国の郵便番号02134や社員ID、商品コードは数量ではなく識別子ですが、数値として扱われた時点で2134になります。IDが多い表では数値を数値として保存をオフにするか、CSVを取り込む際にその列を文字列に設定してください。

表を1つ抜き出すだけなら簡単ですが、1年分の請求書や12か月分の銀行明細となると、ちょっとしたデータ作業になります。元の文書は可能な限り同じレイアウトのものをそろえ、1回でまとめて変換すれば、すべてのファイルに同じ設定が適用されます。テキストPDFなら、1回に最大20ファイル、各95 MBまでアップロードできます。明細の取引表が複数ページにまたがる場合は、シートオプションですべて1シートにまとめるを選んでください。写真は表の画像を1枚ずつ変換する形になるため、紙の請求書が何枚もあるときは、先に画像をPDFに変換してページをまとめ、PDFのページで表のある範囲を指定するほうが早いことがよくあります。

一括変換のあとは、元のファイル名を記録する列を追加して、結果を1つのシートにまとめて追記しましょう。文章が中心で表が1、2個だけの文書なら、PDFをWordに変換すると、段落と表をそのままいっしょに保てます。

銀行明細、給与明細、請求書には、口座番号、住所、支出履歴が含まれます。そのため、送信先には慎重になってください。UltKitでは、アップロードしたファイルと生成されたファイルは処理の30分後に削除され、誰かに閲覧されることもありません。それでも、いちばん安全なのは自分のコンピューターから出さないことです。アップロード前に、口座番号の全桁など不要な列をトリミングや黒塗りで隠し、不要になったローカルの出力ファイルは削除してください。