Tabellen uit afbeeldingen en PDF's naar Excel of CSV

Zoek voordat u een tool kiest uit wat voor tabel u eigenlijk hebt, want de drie gangbare bronnen gaan op verschillende manieren mis. Open de PDF en probeer met de cursor één getal te selecteren. Wordt het getal los gemarkeerd, dan is het een tekst-PDF: elk teken is als tekst op een exacte positie opgeslagen en extractie komt vooral neer op het groeperen van die tekens in rijen en kolommen. Wordt de hele pagina als één blok gemarkeerd, of niets, dan hebt u een afbeelding van een tabel en moet eerst iets de pixels lezen.

Het derde geval wordt makkelijk gemist. Veel rapporten uit oudere boekhoudsystemen, terminalprogramma's en e-mailberichten lijken op tabellen, maar zijn gewone tekst die met tabs of reeksen spaties is uitgelijnd. Er zijn helemaal geen cellen, alleen een opmaak met vaste letterbreedte. OCR op een screenshot van die tekst gooit informatie weg die u al hebt; de tekst kopiëren en in kolommen splitsen is sneller en exact. De kaarten hieronder vatten samen wat elke bron nodig heeft.

Tabelherkenning is een tweede ronde die draait nadat de tekens bekend zijn. Eerst zoekt het de cellen: bij tabellen met lijnen volgt het de horizontale en verticale lijnen en ziet elk omsloten vak als cel; bij tabellen zonder randen zoekt het verticale stroken lege ruimte die over de volle hoogte van het blok lopen. Daarna lijnt het kolommen uit en bepaalt het dat een getal dat een paar pixels rechts van het getal erboven staat toch bij dezelfde kolom hoort.

Dan volgt de kopregel. Herkenners zoeken een eerste rij die vetgedrukt of gearceerd is, of uit woorden boven kolommen met getallen bestaat, en voegen koppen die over twee regels lopen samen tot één cel. Samengevoegde cellen zijn de laatste stap: een label als Q1 boven drie maandkolommen wordt herkend aan de ontbrekende binnenlijnen en opnieuw opgebouwd als samengevoegde cel, of gekopieerd naar elke kolom die het beslaat.

Niets hiervan is begrip van wat er staat. De software weet niet dat een kolom datums bevat of dat een rij een subtotaal is; ze ziet alleen geometrie en tekens. Daarom kan dezelfde tool bij het ene afschrift foutloos zijn en het volgende van een andere bank door elkaar gooien, en daarom bestaan instellingen als Tabelstijl en Kopregel herkennen: ze geven de herkenner een feit dat hij niet betrouwbaar kan afleiden.

De meeste fouten vallen in twee groepen. Geometriefouten breken het raster, waardoor waarden in de verkeerde rij of kolom belanden. Getalfouten laten het raster intact maar veranderen wat een cel betekent, en dat is erger omdat het blad er goed uitziet. Een verschoven kolom ziet u meteen; 1.234 dat als decimaal in plaats van als duizendtal is gelezen niet.

Landinstellingen zijn de belangrijkste bron van getalproblemen. De Verenigde Staten en het Verenigd Koninkrijk schrijven 1,234.56; Duitsland, Brazilië en het grootste deel van continentaal Europa schrijven 1.234,56; Frankrijk gebruikt een spatie als duizendtalscheiding; Zwitserland vaak een apostrof, zoals in 1'234.56; en in India worden cijfers gegroepeerd als 1,23,456. Boekhoudkundige documenten voegen negatieve getallen tussen haakjes en valutasymbolen vlak achter de cijfers toe. Dit is waar u op moet letten en wat elk geval oplost.

Elke minuut aan de invoer bespaart er meerdere in de spreadsheet. OCR-engines zijn doorgaans afgestemd op tekst die met ongeveer 300 dpi is gescand, wat bij een A4- of US Letter-pagina neerkomt op ongeveer 2480 × 3508 px of 2550 × 3300 px. Een moderne telefooncamera haalt dat makkelijk als de pagina het beeld vult, maar een foto van de hele pagina vanaf de overkant van het bureau, daarna bijgesneden tot een kleine tabel, kan er ver onder zakken.

Contrast is even belangrijk als resolutie. Kassabonnen op thermisch papier vervagen, grijze tabellijnen op een grijze achtergrond verdwijnen en een schaduw van uw telefoon over de pagina kan een kolom doormidden snijden. Als u regelmatig gegevens uit een papieren document haalt, behandelt de gids over documenten scannen naar PDF verlichting en scannerinstellingen uitgebreider. Loop voor het uploaden deze lijst langs.

Gegevens uit afbeelding in Excel kwam in 2019 naar de Android-app, daarna naar iPhone, en zit nu in Excel voor Microsoft 365 op Windows en Mac onder Gegevens > Uit afbeelding. U fotografeert of laadt één tabel, controleert de herkende cellen in een zijpaneel dat twijfelachtige waarden markeert en voegt ze in. Google biedt een minder directe weg: klik in Drive met rechts op een afbeelding of PDF en kies Openen met > Google Documenten. Volgens de helppagina van Google geldt dit voor bestanden tot 2 MB en worden alleen de eerste 10 pagina's van een PDF gelezen, en het resultaat is een document, dus de tabel komt vaak als regels tekst aan die u daarna in Sheets plakt en splitst.

Adobe Acrobat Pro exporteert een PDF naar een Microsoft Excel-werkmap en voert tijdens het exporteren OCR uit op gescande pagina's. Excel voor Microsoft 365 op Windows kan ook tabellen uit een tekst-PDF halen met Gegevens ophalen > Uit bestand > Uit PDF, wat Power Query opent; het toont elke gevonden tabel per pagina, laat u de maandelijkse pagina's van een afschrift aan één tabel toevoegen en ververst als u het bestand van volgende maand erin zet. Het leest geen scans, en Excel voor Mac heeft die connector niet.

Browserconverters doen de rest zonder installatie. Voor een tekst-PDF of gescande PDF maakt PDF naar Excel van elke gevonden tabel een eigen werkblad; voor een foto of screenshot kunt u de afbeelding naar Excel converteren of de tabel als CSV opslaan als een ander programma hem importeert. De tabel vergelijkt de vijf routes.

Een geconverteerde tabel die er goed uitziet, is nog geen tabel waarop u kunt vertrouwen. Begin met het aantal rijen: als het afschrift 47 transacties vermeldt, moet het blad 47 gegevensrijen hebben, niet 46 doordat twee regels zijn samengevoegd of 49 doordat een omgebroken omschrijving een eigen rij werd. Tel daarna één numerieke kolom op met SOM en vergelijk de uitkomst met het totaal op het document. Heeft het document geen totaal, tel dan zelf een paar waarden op en vergelijk.

Zoek vervolgens naar cellen die alleen doen alsof ze getallen zijn. In Excel staan echte getallen standaard rechts uitgelijnd en tekst links, dus een kolom met een paar links uitgelijnde bedragen vertelt u iets; ISGETAL in een hulpkolom vindt ze in één keer. Datums verdienen hetzelfde wantrouwen. Een datum die als tekst is gelezen, sorteert alfabetisch, dus 10/02 komt voor 2/03, en 03/04 kan 3 april of 4 maart betekenen, afhankelijk van wie het schreef.

Controleer ten slotte wat er verloren is gegaan, niet alleen wat er is veranderd. Lange reken- en kaartnummers zijn een klassieke valkuil: Excel slaat getallen op met 15 significante cijfers, dus bij een 16-cijferig kaartnummer dat als getal is getypt of geïmporteerd wordt het laatste cijfer een nul.

Kies XLSX als iemand met de gegevens in Excel, Google Sheets of Numbers gaat werken. Het bewaart meerdere tabellen op aparte werkbladen, echte getal- en datumtypen, vette kopregels en samengevoegde cellen. Kies CSV als software het importeert: budgetapps, boekhoudpakketten, databases en scripts. CSV is gewone tekst met één tabel per bestand, beschreven in RFC 4180 uit 2005, en de drie instellingen die ertoe doen zijn het scheidingsteken, de codering en of getallen als getallen worden opgeslagen.

Het scheidingsteken moet passen bij het programma dat importeert; Excel verwacht in landen waar decimalen met een komma worden geschreven puntkomma's. De codering bepaalt of namen als Müller of São Paulo goed blijven: UTF-8 met BOM leest Excel voor Windows correct bij dubbelklikken. Voorloopnullen zijn het klassieke verlies. Amerikaanse postcodes als 02134, personeelsnummers en productcodes zijn identificatiecodes, geen hoeveelheden, en worden 2134 zodra iets ze als getal behandelt. Zet Getallen als getallen opslaan uit voor tabellen vol ID's, of importeer de CSV met die kolommen op Tekst.

Eén tabel extraheren is even opzoeken; een jaar facturen of twaalf maandelijkse bankafschriften extraheren is een klein dataproject. Houd de brondocumenten waar mogelijk in dezelfde indeling en converteer ze in één keer, zodat elk bestand dezelfde instellingen krijgt. Bij tekst-PDF's uploadt u er tot 20 tegelijk, elk tot 95 MB, en kiest u Alles op één blad bij de optie Werkbladen als de transactietabel van een afschrift over meerdere pagina's doorloopt. Foto's worden per tabelafbeelding geconverteerd, dus voor een stapel papieren facturen is het vaak sneller om de pagina's eerst te combineren met afbeelding naar PDF en bij PDF-pagina's het bereik met de tabellen op te geven.

Voeg na een batch de resultaten samen in één blad met een kolom die de bronbestandsnaam vastlegt. Bestaan de documenten vooral uit tekst met een of twee tabellen, dan houdt de PDF naar Word converteren de alinea's en tabellen juist samen.

Bankafschriften, loonstroken en facturen bevatten rekeningnummers, adressen en uitgavenhistorie, dus denk na over waar ze naartoe gaan. Bij UltKit worden uploads en gegenereerde bestanden 30 minuten na verwerking verwijderd en door niemand gelezen. Toch is de veiligste kopie die welke uw computer nooit verlaat: snijd kolommen die u niet nodig hebt, zoals volledige rekeningnummers, voor het uploaden weg of maak ze onleesbaar, en verwijder lokale exports die u niet meer nodig hebt.