Jak wyodrębnić tabelę z obrazu i PDF do Excela lub CSV

Zanim wybierzesz narzędzie, sprawdź, z jakim rodzajem tabeli masz do czynienia, bo trzy typowe źródła zawodzą na różne sposoby. Otwórz PDF i spróbuj kursorem zaznaczyć pojedynczą liczbę. Jeśli liczba podświetla się sama, plik jest tekstowym PDF-em: każdy znak jest zapisany jako tekst w dokładnej pozycji, a ekstrakcja polega głównie na zgrupowaniu znaków w wiersze i kolumny. Jeśli cała strona zaznacza się jako jeden blok albo nic się nie zaznacza, masz obraz tabeli i ktoś musi najpierw odczytać piksele.

Trzeci przypadek łatwo przeoczyć. Wiele raportów ze starszych systemów księgowych, programów terminalowych i treści e-maili wygląda jak tabele, ale to zwykły tekst wyrównany tabulatorami lub ciągami spacji. Nie ma w nim żadnych komórek, tylko układ czcionki o stałej szerokości. Uruchamianie OCR na zrzucie takiego tekstu wyrzuca informacje, które już masz; szybciej i dokładniej jest skopiować tekst i podzielić go na kolumny. Poniższe karty podsumowują, czego wymaga każde źródło.

Rozpoznawanie tabel to drugi przebieg, który działa po poznaniu znaków. Najpierw znajduje komórki: w tabelach z liniami śledzi linie poziome i pionowe i traktuje każde zamknięte pole jako komórkę; w tabelach bez obramowania szuka pionowych pasów pustej przestrzeni biegnących przez całą wysokość bloku. Potem wyrównuje kolumny, uznając, że liczba przesunięta o kilka pikseli w prawo względem tej nad nią nadal należy do tej samej kolumny.

Dalej jest wiersz nagłówka. Mechanizmy szukają pierwszego wiersza, który jest pogrubiony, zacieniowany lub złożony ze słów nad kolumnami liczb, a nagłówki zawijane na dwie linie łączą w jedną komórkę. Ostatni krok to komórki scalone: etykieta taka jak Q1 obejmująca trzy kolumny miesięcy jest wykrywana po brakujących liniach wewnętrznych i odtwarzana jako komórka scalona albo kopiowana do każdej obejmowanej kolumny.

Nic z tego nie jest rozumieniem tekstu. Program nie wie, że kolumna zawiera daty ani że wiersz jest podsumowaniem; widzi tylko geometrię i znaki. Dlatego to samo narzędzie może bezbłędnie obsłużyć jeden wyciąg, a następny, z innego banku, pomieszać, i dlatego istnieją ustawienia takie jak Styl tabeli i Wykryj wiersz nagłówka: podają mechanizmowi fakt, którego nie potrafi wiarygodnie wywnioskować.

Większość błędów należy do dwóch grup. Błędy geometrii psują siatkę, więc wartości trafiają do złego wiersza lub kolumny. Błędy liczb zostawiają siatkę nietkniętą, ale zmieniają znaczenie komórki, co jest gorsze, bo arkusz wygląda dobrze. Przesuniętą kolumnę widać od razu; 1.234 odczytane jako ułamek zamiast tysiąca już nie.

Główną przyczyną kłopotów z liczbami są ustawienia regionalne. W Stanach Zjednoczonych i Wielkiej Brytanii pisze się 1,234.56; w Niemczech, Brazylii i większości Europy kontynentalnej 1.234,56; Francja używa spacji jako separatora tysięcy; Szwajcaria często apostrofu, jak w 1'234.56; a Indie grupują cyfry jako 1,23,456. Dokumenty księgowe dodają liczby ujemne w nawiasach i symbole walut sklejone z cyframi. Oto na co uważać i co naprawia każdy przypadek.

Każda minuta poświęcona wejściu oszczędza kilka w arkuszu. Silniki OCR są zwykle dostrojone do tekstu skanowanego w około 300 dpi, co dla strony A4 lub US Letter oznacza mniej więcej 2480 × 3508 px lub 2550 × 3300 px. Współczesny aparat w telefonie łatwo to przebija, jeśli strona wypełnia kadr, ale zdjęcie całej strony zrobione z drugiej strony biurka i przycięte do małej tabeli może spaść znacznie poniżej tej wartości.

Kontrast liczy się tak samo jak rozdzielczość. Paragony na papierze termicznym blakną, szare linie tabeli na szarym tle znikają, a cień telefonu na stronie może przeciąć kolumnę na pół. Jeśli oryginał to papierowy dokument, z którego będziesz regularnie wyciągać dane, poradnik o skanowaniu dokumentów do PDF szerzej opisuje oświetlenie i ustawienia skanera. Przed przesłaniem przejdź przez tę listę.

Funkcja Dane ze zdjęcia w Excelu pojawiła się w aplikacji na Androida w 2019 roku, potem na iPhonie, a teraz jest w Excelu dla Microsoft 365 na Windows i Mac w menu Dane > Ze zdjęcia. Fotografujesz lub wczytujesz jedną tabelę, sprawdzasz rozpoznane komórki w panelu bocznym, który oznacza wątpliwe wartości, i wstawiasz je. Google oferuje mniej bezpośrednią drogę: w Dysku kliknij obraz lub PDF prawym przyciskiem i wybierz Otwórz za pomocą > Dokumenty Google. Pomoc Google ogranicza to do plików do 2 MB i odczytuje tylko pierwsze 10 stron PDF-a, a wynikiem jest dokument, więc tabela często trafia jako wiersze tekstu, które potem wklejasz do Arkuszy i dzielisz.

Adobe Acrobat Pro eksportuje PDF do skoroszytu Microsoft Excel i uruchamia OCR na zeskanowanych stronach podczas eksportu. Excel dla Microsoft 365 na Windows potrafi też pobrać tabele z tekstowego PDF-a przez Pobierz dane > Z pliku > Z PDF, co otwiera Power Query; wyświetla każdą wykrytą tabelę według strony, pozwala dołączyć miesięczne strony wyciągu do jednej tabeli i odświeża się, gdy podmienisz plik na następny miesiąc. Nie czyta skanów, a Excel dla Mac nie ma tego łącznika.

Konwertery w przeglądarce załatwiają resztę bez instalowania czegokolwiek. Dla tekstowego lub zeskanowanego PDF-a PDF do Excela zamienia każdą wykrytą tabelę w osobny arkusz; dla zdjęcia lub zrzutu ekranu przekonwertuj obraz na Excel albo zapisz tabelę jako CSV, gdy zaimportuje ją inny program. Tabela porównuje pięć dróg.

Przekonwertowana tabela, która wygląda dobrze, nie jest jeszcze tabelą, na której można polegać. Zacznij od liczby wierszy: jeśli wyciąg zawiera 47 transakcji, arkusz powinien mieć 47 wierszy danych, a nie 46, bo dwie linie się scaliły, ani 49, bo zawinięty opis stał się osobnym wierszem. Potem zsumuj jedną kolumnę liczbową funkcją SUMA i porównaj z sumą wydrukowaną na dokumencie. Jeśli dokument nie ma sumy, dodaj kilka wartości ręcznie i porównaj.

Następnie poszukaj komórek, które tylko udają liczby. W Excelu prawdziwe liczby domyślnie wyrównują się do prawej, a tekst do lewej, więc kolumna z kilkoma kwotami po lewej coś ci mówi; funkcja CZY.LICZBA w kolumnie pomocniczej znajdzie je wszystkie naraz. Daty zasługują na tę samą podejrzliwość. Data odczytana jako tekst sortuje się alfabetycznie, więc 10/02 ląduje przed 2/03, a 03/04 może oznaczać 3 kwietnia lub 4 marca, zależnie od tego, kto to napisał.

Na koniec sprawdź, co zostało utracone, a nie tylko zmienione. Długie numery kont i kart to klasyczna pułapka: Excel przechowuje liczby z 15 cyframi znaczącymi, więc 16-cyfrowy numer karty wpisany lub zaimportowany jako liczba ma ostatnią cyfrę zamienioną na zero.

Wybierz XLSX, gdy dane będzie obrabiać człowiek w Excelu, Arkuszach Google lub Numbers. Zachowuje kilka tabel na osobnych arkuszach, prawdziwe typy liczb i dat, pogrubione wiersze nagłówka i komórki scalone. Wybierz CSV, gdy dane zaimportuje oprogramowanie: aplikacje budżetowe, programy księgowe, bazy danych i skrypty. CSV to zwykły tekst z jedną tabelą na plik, opisany w RFC 4180 z 2005 roku, a trzy ważne ustawienia to separator, kodowanie i to, czy liczby są zapisywane jako liczby.

Separator musi pasować do programu importującego; Excel w krajach, gdzie ułamki zapisuje się z przecinkiem, oczekuje średników. Kodowanie decyduje, czy nazwy takie jak Müller lub São Paulo przetrwają: UTF-8 z BOM to wariant, który Excel dla Windows poprawnie czyta po dwukliku. Zera wiodące to klasyczna strata. Amerykańskie kody ZIP, takie jak 02134, identyfikatory pracowników i kody produktów są identyfikatorami, nie ilościami, i stają się 2134, gdy tylko cokolwiek potraktuje je jak liczby. Wyłącz Zapisuj liczby jako liczby dla tabel pełnych identyfikatorów albo zaimportuj CSV z tymi kolumnami ustawionymi jako Tekst.

Wyciągnięcie jednej tabeli to drobiazg; wyciągnięcie rocznych faktur lub dwunastu miesięcznych wyciągów bankowych to mały projekt danych. Trzymaj dokumenty źródłowe w tym samym układzie, gdy się da, i konwertuj je za jednym razem, aby każdy plik dostał te same ustawienia. Przy tekstowych PDF-ach prześlij do 20 naraz, każdy do 95 MB, i wybierz Wszystko na jednym arkuszu w opcji Arkusze, gdy tabela transakcji z wyciągu ciągnie się przez kilka stron. Zdjęcia konwertuje się po jednym obrazie tabeli, więc przy stosie papierowych faktur często szybciej jest najpierw połączyć strony za pomocą obrazu do PDF i wskazać w Strony PDF zakres z tabelami.

Po konwersji wsadowej dołącz wyniki do jednego arkusza z kolumną zapisującą nazwę pliku źródłowego. Jeśli dokumenty to głównie tekst z jedną lub dwiema tabelami, lepiej przekonwertować PDF na Word, co zachowa akapity i tabele razem.

Wyciągi bankowe, paski wypłat i faktury zawierają numery kont, adresy i historię wydatków, więc zastanów się, dokąd trafiają. W UltKit przesłane i wygenerowane pliki są usuwane 30 minut po przetworzeniu i nikt ich nie czyta. Mimo to najbezpieczniejsza kopia to ta, która nigdy nie opuszcza twojego komputera: przed przesłaniem przytnij lub zasłoń niepotrzebne kolumny, takie jak pełne numery kont, i usuń lokalne eksporty, których już nie potrzebujesz.