Hente ut tabeller fra bilder og PDF til Excel eller CSV

Før du velger verktøy, bør du finne ut hva slags tabell du faktisk har, for de tre vanligste kildene feiler på hver sin måte. Åpne PDF-en og prøv å markere ett enkelt tall med markøren. Hvis tallet markeres for seg, er filen en tekst-PDF: hvert tegn er lagret som tekst på en eksakt posisjon, og uttrekket handler mest om å gruppere tegnene i rader og kolonner. Hvis hele siden markeres som én blokk, eller ingenting markeres, har du et bilde av en tabell, og noen må lese pikslene først.

Det tredje tilfellet er lett å overse. Mange rapporter fra eldre regnskapssystemer, terminalprogrammer og e-posttekster ser ut som tabeller, men er ren tekst stilt opp med tabulatorer eller rekker av mellomrom. Det finnes ingen celler, bare en oppsetning med fast skriftbredde. Å kjøre OCR på et skjermbilde av slik tekst kaster bort informasjon du allerede har; det er raskere og mer nøyaktig å kopiere teksten og dele den opp i kolonner. Kortene under oppsummerer hva hver kilde trenger.

Tabellgjenkjenning er et andre trinn som kjøres etter at tegnene er kjent. Først finner den cellene: i tabeller med linjer følger den de horisontale og vertikale linjene og behandler hver innrammede rute som en celle; i tabeller uten kantlinjer leter den etter vertikale felt med tomrom som går gjennom hele blokkens høyde. Deretter justerer den kolonnene og avgjør at et tall som står noen piksler til høyre for det over, fortsatt hører til samme kolonne.

Neste er overskriftsraden. Gjenkjenneren leter etter en første rad som er fet, skravert eller består av ord over kolonner med tall, og slår sammen overskrifter som brytes over to linjer til én celle. Sammenslåtte celler er siste trinn: en etikett som Q1 over tre månedskolonner oppdages fra de manglende indre linjene og bygges enten opp som en sammenslått celle eller kopieres inn i hver kolonne den dekker.

Ingenting av dette er leseforståelse. Programvaren vet ikke at en kolonne inneholder datoer eller at en rad er en delsum; den ser bare geometri og tegn. Derfor kan samme verktøy være feilfritt på ett kontoutdrag og rote til det neste fra en annen bank, og derfor finnes innstillinger som Tabellstil og Gjenkjenn overskriftsrad: de gir gjenkjenneren et faktum den ikke kan utlede pålitelig.

De fleste feil havner i to grupper. Geometrifeil ødelegger rutenettet, slik at verdier havner i feil rad eller kolonne. Tallfeil lar rutenettet stå, men endrer hva en celle betyr, noe som er verre fordi arket ser fint ut. En feilplassert kolonne ser man med en gang; 1.234 lest som desimaltall i stedet for tusen ser man ikke.

Landsinnstillinger er hovedkilden til tallproblemer. USA og Storbritannia skriver 1,234.56; Tyskland, Brasil og det meste av det europeiske kontinentet skriver 1.234,56; Frankrike bruker mellomrom som tusenskille; Sveits bruker ofte apostrof, som i 1'234.56; og India grupperer sifre som 1,23,456. Regnskapsdokumenter har dessuten negative tall i parentes og valutasymboler limt til sifrene. Her er hva du bør se etter og hva som løser hvert tilfelle.

Hvert minutt du bruker på kildebildet sparer flere i regnearket. OCR-motorer er vanligvis tilpasset tekst skannet på rundt 300 dpi, som for en A4- eller US Letter-side betyr omtrent 2480 × 3508 px eller 2550 × 3300 px. Et moderne mobilkamera klarer det lett hvis siden fyller bildet, men et bilde av hele siden tatt fra den andre siden av pulten og så beskåret til en liten tabell kan havne godt under.

Kontrast betyr like mye som oppløsning. Kvitteringer på termopapir bleker, grå tabellinjer på grå bakgrunn forsvinner, og en skygge fra mobilen din over siden kan dele en kolonne i to. Hvis originalen er et papirdokument du skal hente ut data fra jevnlig, går guiden om å skanne dokumenter til PDF nærmere inn på lys og skannerinnstillinger. Gå gjennom denne listen før du laster opp.

Excels Data fra bilde kom i Android-appen i 2019, deretter på iPhone, og finnes nå i Excel for Microsoft 365 på Windows og Mac under Data > Fra bilde. Du tar bilde av eller laster inn én tabell, går gjennom de gjenkjente cellene i et sidepanel som markerer tvilsomme verdier, og setter dem inn. Google tilbyr en mindre direkte vei: i Drive høyreklikker du på et bilde eller en PDF og velger Åpne med > Google Dokumenter. Googles egen hjelpeside begrenser dette til filer på 2 MB eller mindre og leser bare de første 10 sidene i en PDF, og resultatet er et dokument, så tabellen kommer ofte som tekstlinjer du må lime inn i Sheets og dele opp.

Adobe Acrobat Pro eksporterer en PDF til en Microsoft Excel-arbeidsbok og kjører OCR på skannede sider under eksporten. Excel for Microsoft 365 på Windows kan også hente tabeller fra en tekst-PDF med Hent data > Fra fil > Fra PDF, som åpner Power Query; den lister opp hver oppdaget tabell per side, lar deg legge månedens sider fra et kontoutdrag til i én tabell og oppdaterer når du bytter inn neste måneds fil. Den leser ikke skanninger, og Excel for Mac har ikke denne koblingen.

Nettleserkonverterere dekker resten uten at du trenger å installere noe. For en tekst-PDF eller skannet PDF gjør PDF til Excel hver oppdaget tabell til sitt eget ark; for et bilde eller skjermbilde kan du konvertere bildet til Excel eller lagre tabellen som CSV når et annet program skal importere den. Tabellen sammenligner de fem løsningene.

En konvertert tabell som ser riktig ut, er ikke dermed en tabell du kan stole på. Start med antall rader: hvis kontoutdraget viser 47 transaksjoner, skal arket ha 47 datarader, ikke 46 fordi to linjer ble slått sammen eller 49 fordi en brutt beskrivelse ble til en egen rad. Summer deretter én tallkolonne med SUMMER og sammenlign med totalen som står på dokumentet. Hvis dokumentet ikke har noen total, legg sammen noen verdier for hånd og sammenlign.

Se deretter etter celler som bare later som de er tall. I Excel justeres ekte tall til høyre som standard og tekst til venstre, så en kolonne med noen få venstrejusterte beløp forteller deg noe; ERTALL i en hjelpekolonne finner dem alle på en gang. Datoer fortjener samme mistenksomhet. En dato lest som tekst sorteres alfabetisk, så 10/02 havner før 2/03, og 03/04 kan bety 3. april eller 4. mars avhengig av hvem som skrev den.

Til slutt: sjekk hva som gikk tapt, ikke bare hva som ble endret. Lange konto- og kortnumre er en klassisk felle: Excel lagrer tall med 15 signifikante sifre, så et kortnummer på 16 sifre som skrives inn eller importeres som tall, får siste siffer gjort om til null.

Velg XLSX når en person skal jobbe med dataene i Excel, Google Sheets eller Numbers. Formatet beholder flere tabeller på separate ark, ekte tall- og datotyper, fete overskriftsrader og sammenslåtte celler. Velg CSV når programvare skal importere dem: budsjettapper, regnskapsprogrammer, databaser og skript. CSV er ren tekst med én tabell per fil, beskrevet i RFC 4180 fra 2005, og de tre innstillingene som betyr noe, er skilletegn, tegnkoding og om tall lagres som tall.

Skilletegnet må passe til programmet som importerer; Excel i land som skriver desimaler med komma forventer semikolon. Tegnkodingen avgjør om navn som Müller eller São Paulo overlever: UTF-8 med BOM er det Excel for Windows leser riktig ved dobbeltklikk. Innledende nuller er det klassiske tapet. Amerikanske postnumre som 02134, ansattnumre og produktkoder er identifikatorer, ikke mengder, og blir til 2134 så fort noe behandler dem som tall. Slå av Lagre tall som tall for tabeller full av ID-er, eller importer CSV-filen med disse kolonnene satt til Tekst.

Å hente ut én tabell er et oppslag; å hente ut et års fakturaer eller tolv månedlige kontoutdrag er et lite dataprosjekt. Behold kildedokumentene i samme oppsett der det er mulig, og konverter dem i én omgang slik at alle filer får de samme innstillingene. Med tekst-PDF-er kan du laste opp opptil 20 om gangen, hver på opptil 95 MB, og velge Alt på ett ark i valget Ark når transaksjonstabellen i et kontoutdrag fortsetter over flere sider. Bilder konverteres én tabell om gangen, så for en bunke papirfakturaer går det ofte raskere å først sette sammen sidene med bilde til PDF og peke PDF-sider på området som har tabellene.

Etter en gruppe legger du resultatene sammen i ett ark med en kolonne som viser kildefilens navn. Hvis dokumentene mest er tekst med en tabell eller to, beholder det å konvertere PDF-en til Word avsnittene og tabellene sammen i stedet.

Kontoutdrag, lønnsslipper og fakturaer inneholder kontonumre, adresser og forbrukshistorikk, så tenk over hvor de havner. På UltKit slettes opplastinger og genererte filer 30 minutter etter behandling, og ingen leser dem. Likevel er den tryggeste kopien den som aldri forlater datamaskinen din: beskjær bort eller fjern kolonner du ikke trenger, som fulle kontonumre, før opplasting, og slett lokale eksporter du ikke lenger trenger.