Cara Ekstrak Jadual daripada Gambar dan PDF ke Excel atau CSV

Sebelum memilih alat, ketahui jenis jadual yang sebenarnya anda ada, kerana tiga sumber biasa gagal dengan cara yang berbeza. Buka PDF dan cuba pilih satu nombor dengan kursor. Jika nombor itu terserlah sendiri, fail tersebut ialah PDF teks: setiap aksara disimpan sebagai teks pada kedudukan tepat, dan pengekstrakan kebanyakannya ialah mengumpulkan aksara itu kepada baris dan lajur. Jika seluruh halaman terserlah sebagai satu blok, atau tiada apa-apa yang terserlah, anda memegang gambar jadual, dan piksel perlu dibaca dahulu.

Kes ketiga mudah terlepas pandang. Banyak laporan yang dieksport daripada sistem perakaunan lama, program terminal dan isi e-mel kelihatan seperti jadual tetapi sebenarnya teks biasa yang diselaraskan dengan tab atau jarak ruang kosong. Tiada sel langsung, hanya susun atur monospace. Menjalankan OCR pada tangkapan skrin teks itu membuang maklumat yang sudah anda ada; menyalin teks dan memisahkannya kepada lajur lebih pantas dan tepat. Kad di bawah meringkaskan keperluan setiap sumber.

Pengecaman jadual ialah laluan kedua yang berjalan selepas aksara diketahui. Mula-mula ia mencari sel: pada jadual bergaris, ia menyusuri garisan mendatar dan menegak serta menganggap setiap kotak tertutup sebagai sel; pada jadual tanpa sempadan, ia mencari lorong ruang kosong menegak yang merentasi seluruh ketinggian blok. Kemudian ia menjajarkan lajur, memutuskan bahawa nombor yang terletak beberapa piksel di sebelah kanan nombor di atasnya masih tergolong dalam lajur yang sama.

Seterusnya baris pengepala. Pengecam mencari baris pertama yang tebal, berlorek, atau terdiri daripada perkataan di atas lajur nombor, dan menggabungkan pengepala yang dibalut dua baris menjadi satu sel. Sel yang digabungkan ialah langkah terakhir: label seperti Q1 yang merangkumi tiga lajur bulan dikesan daripada ketiadaan garisan dalaman dan sama ada dibina semula sebagai sel gabungan atau disalin ke setiap lajur yang dilitupinya.

Semua ini bukan pemahaman bacaan. Perisian tidak tahu bahawa sesuatu lajur mengandungi tarikh atau sesuatu baris ialah subjumlah; ia hanya melihat geometri dan aksara. Itulah sebabnya alat yang sama boleh sempurna pada satu penyata tetapi mengelirukan penyata seterusnya daripada bank lain, dan sebab tetapan seperti Gaya jadual dan Kesan baris pengepala wujud: ia memberi pengecam fakta yang tidak dapat disimpulkannya dengan pasti.

Kebanyakan kegagalan terbahagi kepada dua kumpulan. Kegagalan geometri merosakkan grid, jadi nilai terletak pada baris atau lajur yang salah. Kegagalan nombor mengekalkan grid tetapi mengubah maksud sel, yang lebih buruk kerana helaian kelihatan baik. Lajur yang tersasar mudah dikenali sepintas lalu; 1.234 dibaca sebagai perpuluhan dan bukan seribu tidak mudah dikesan.

Lokaliti ialah punca utama masalah nombor. Amerika Syarikat dan United Kingdom menulis 1,234.56; Jerman, Brazil dan kebanyakan Eropah benua menulis 1.234,56; Perancis menggunakan ruang sebagai pemisah ribuan; Switzerland sering menggunakan apostrof, seperti 1'234.56; dan India mengumpulkan digit sebagai 1,23,456. Dokumen perakaunan menambah nombor negatif dalam kurungan dan simbol mata wang yang melekat pada digit. Berikut perkara yang perlu diperhatikan dan cara membetulkan setiap kes.

Setiap minit yang dihabiskan pada input menjimatkan beberapa minit dalam hamparan. Enjin OCR lazimnya ditala untuk teks yang diimbas pada sekitar 300 dpi, yang bagi halaman A4 atau US Letter bermaksud kira-kira 2480 × 3508 px atau 2550 × 3300 px. Kamera telefon moden dengan mudah melebihinya jika halaman memenuhi bingkai, tetapi foto seluruh halaman yang diambil dari seberang meja, kemudian dipotong kepada jadual kecil, boleh jatuh jauh di bawahnya.

Kontras sama penting dengan resolusi. Resit kertas terma pudar, garisan jadual kelabu pada latar kelabu hilang, dan bayang telefon anda merentasi halaman boleh memotong lajur separuh. Jika dokumen asal ialah dokumen kertas yang kerap anda ekstrak, panduan mengimbas dokumen ke PDF membincangkan pencahayaan dan tetapan pengimbas dengan lebih terperinci. Sebelum memuat naik, semak senarai ini.

Data from Picture dalam Excel tiba dalam aplikasi Android pada 2019, kemudian pada iPhone, dan kini terdapat dalam Excel untuk Microsoft 365 pada Windows dan Mac di bawah Data > From Picture. Anda memotret atau memuatkan satu jadual, menyemak sel yang dikenali dalam panel sisi yang menandakan nilai meragukan, dan memasukkannya. Google menawarkan laluan yang kurang terus: dalam Drive, klik kanan gambar atau PDF dan pilih Open with > Google Docs. Halaman bantuan Google sendiri mengehadkan ini kepada fail 2 MB atau kurang dan hanya membaca 10 halaman pertama PDF, dan hasilnya ialah dokumen, jadi jadual sering tiba sebagai baris teks yang kemudian anda tampal ke Sheets dan pisahkan.

Adobe Acrobat Pro mengeksport PDF ke buku kerja Microsoft Excel dan menjalankan OCR pada halaman yang diimbas semasa eksport. Excel untuk Microsoft 365 pada Windows juga boleh menarik jadual daripada PDF teks dengan Get Data > From File > From PDF, yang membuka Power Query; ia menyenaraikan setiap jadual yang dikesan mengikut halaman, membolehkan anda menambah halaman bulanan penyata ke dalam satu jadual dan menyegar semula apabila anda menukar fail bulan depan. Ia tidak membaca imbasan, dan Excel untuk Mac tidak mempunyai penyambung tersebut.

Penukar pelayar meliputi selebihnya tanpa memasang apa-apa. Untuk PDF teks atau imbasan, PDF ke Excel menjadikan setiap jadual yang dikesan sebagai helaian tersendiri; untuk foto atau tangkapan skrin, tukar gambar ke Excel atau simpan jadual sebagai CSV apabila program lain akan mengimportnya. Jadual membandingkan lima laluan tersebut.

Jadual yang ditukar dan kelihatan betul belum tentu jadual yang boleh anda percayai. Mulakan dengan bilangan baris: jika penyata menyenaraikan 47 transaksi, helaian patut mempunyai 47 baris data, bukan 46 kerana dua baris bercantum atau 49 kerana penerangan yang dibalut menjadi barisnya sendiri. Kemudian jumlahkan satu lajur angka dengan SUM dan bandingkan dengan jumlah yang tercetak pada dokumen. Jika dokumen tiada jumlah, tambah beberapa nilai secara manual dan bandingkan.

Seterusnya, cari sel yang hanya berpura-pura menjadi nombor. Dalam Excel, nombor sebenar dijajarkan ke kanan secara lalai dan teks ke kiri, jadi lajur dengan beberapa jumlah berjajar kiri memberitahu sesuatu; ISNUMBER pada lajur pembantu mengesan semuanya sekali gus. Tarikh wajar dicurigai sama. Tarikh yang dibaca sebagai teks disusun mengikut abjad, jadi 10/02 jatuh sebelum 2/03, dan 03/04 boleh bermaksud 3 April atau 4 Mac bergantung pada penulisnya.

Akhir sekali, semak apa yang hilang dan bukan sekadar apa yang berubah. Nombor akaun dan kad yang panjang ialah perangkap klasik: Excel menyimpan nombor dengan 15 digit bererti, jadi nombor kad 16 digit yang ditaip atau diimport sebagai nombor akan menjadikan digit terakhirnya sifar.

Pilih XLSX apabila seseorang akan menggunakan data dalam Excel, Google Sheets atau Numbers. Ia mengekalkan beberapa jadual pada helaian berasingan, jenis nombor dan tarikh yang sebenar, baris pengepala tebal dan sel gabungan. Pilih CSV apabila perisian akan mengimportnya: aplikasi belanjawan, pakej perakaunan, pangkalan data dan skrip. CSV ialah teks biasa dengan satu jadual setiap fail, diperihalkan dalam RFC 4180 dari 2005, dan tiga tetapan yang penting ialah pembatas, pengekodan dan sama ada nombor disimpan sebagai nombor.

Pembatas mesti sepadan dengan program pengimport; Excel di negara yang menulis perpuluhan dengan koma menjangka koma bertitik. Pengekodan menentukan sama ada nama seperti Müller atau São Paulo kekal: UTF-8 dengan BOM ialah yang dibaca dengan betul oleh Excel untuk Windows apabila diklik dua kali. Sifar di hadapan ialah kehilangan klasik. Poskod AS seperti 02134, ID pekerja dan kod produk ialah pengecam, bukan kuantiti, dan menjadi 2134 sebaik sahaja apa-apa memperlakukannya sebagai nombor. Matikan Simpan nombor sebagai nombor untuk jadual penuh ID, atau import CSV dengan lajur tersebut ditetapkan kepada Text.

Mengekstrak satu jadual ialah carian ringkas; mengekstrak setahun invois atau dua belas penyata bank bulanan ialah projek data kecil. Kekalkan dokumen sumber dalam susun atur yang sama jika boleh, dan tukarkan dalam satu laluan supaya setiap fail mendapat tetapan yang sama. Dengan PDF teks, muat naik sehingga 20 sekali gus, setiap satu sehingga 95 MB, dan pilih Semua pada satu helaian dalam pilihan Helaian apabila jadual transaksi penyata bersambung merentasi halaman. Foto ditukar satu gambar jadual pada satu masa, jadi untuk timbunan invois kertas selalunya lebih pantas menggabungkan halaman dengan gambar ke PDF dahulu dan menunjuk Halaman PDF pada julat yang mengandungi jadual.

Selepas kelompok, tambahkan hasilnya ke dalam satu helaian dengan lajur yang merekodkan nama fail sumber. Jika dokumen kebanyakannya teks dengan satu atau dua jadual, menukar PDF ke Word mengekalkan perenggan dan jadual bersama.

Penyata bank, slip gaji dan invois mengandungi nombor akaun, alamat dan sejarah perbelanjaan, jadi fikirkan ke mana ia pergi. Di UltKit, muat naik dan fail yang dihasilkan dipadam 30 minit selepas pemprosesan dan tidak dibaca oleh sesiapa. Namun, salinan paling selamat ialah yang tidak pernah meninggalkan komputer anda: potong atau gelapkan lajur yang tidak diperlukan, seperti nombor akaun penuh, sebelum memuat naik, dan padam eksport tempatan yang tidak lagi diperlukan.