Como extrair tabelas de imagens e PDFs para Excel ou CSV

Antes de escolher uma ferramenta, descubra que tipo de tabela você realmente tem, porque as três origens mais comuns falham de formas diferentes. Abra o PDF e tente selecionar um único número com o cursor. Se o número é destacado sozinho, o arquivo é um PDF de texto: cada caractere está guardado como texto em uma posição exata, e a extração consiste basicamente em agrupar esses caracteres em linhas e colunas. Se a página inteira é destacada como um bloco, ou nada é destacado, você tem uma imagem de uma tabela, e alguém precisa ler os pixels primeiro.

O terceiro caso passa despercebido com facilidade. Muitos relatórios exportados de sistemas contábeis antigos, programas de terminal e corpos de e-mail parecem tabelas, mas são texto simples alinhado com tabulações ou sequências de espaços. Não há células, apenas um layout monoespaçado. Rodar OCR em uma captura de tela desse texto joga fora informação que você já tem; copiar o texto e dividi-lo em colunas é mais rápido e exato. Os cartões abaixo resumem o que cada origem exige.

O reconhecimento de tabelas é uma segunda etapa, executada depois que os caracteres já são conhecidos. Primeiro ele encontra as células: em tabelas com linhas, segue as linhas horizontais e verticais e trata cada caixa fechada como uma célula; em tabelas sem bordas, procura calhas verticais de espaço vazio que percorrem toda a altura do bloco. Depois alinha as colunas, decidindo que um número alguns pixels à direita do de cima ainda pertence à mesma coluna.

Em seguida vem a linha de cabeçalho. Os reconhecedores procuram uma primeira linha em negrito, sombreada ou formada por palavras acima de colunas de números, e juntam cabeçalhos que quebram em duas linhas em uma única célula. As células mescladas são o último passo: um rótulo como T1 abrangendo três colunas de meses é detectado pela ausência de linhas internas e é reconstruído como célula mesclada ou copiado para cada coluna que cobre.

Nada disso é compreensão de leitura. O software não sabe que uma coluna contém datas nem que uma linha é um subtotal; ele só enxerga geometria e caracteres. Por isso a mesma ferramenta pode ser impecável em um extrato e embaralhar o seguinte, de outro banco, e por isso existem configurações como Estilo da tabela e Detectar linha de cabeçalho: elas entregam ao reconhecedor uma informação que ele não consegue deduzir com segurança.

A maioria das falhas cai em dois grupos. As falhas de geometria quebram a grade, e os valores caem na linha ou coluna errada. As falhas de número deixam a grade intacta, mas mudam o significado de uma célula, o que é pior porque a planilha parece correta. Uma coluna fora do lugar é óbvia à primeira vista; 1.234 lido como decimal em vez de milhar não é.

A configuração regional é a principal fonte de problemas com números. Os Estados Unidos e o Reino Unido escrevem 1,234.56; a Alemanha, o Brasil e a maior parte da Europa continental escrevem 1.234,56; a França usa espaço como separador de milhar; a Suíça costuma usar apóstrofo, como em 1'234.56; e a Índia agrupa os dígitos como 1,23,456. Documentos contábeis ainda trazem números negativos entre parênteses e símbolos de moeda colados aos dígitos. Veja o que observar e o que resolve cada caso.

Cada minuto gasto com a entrada economiza vários na planilha. Os mecanismos de OCR costumam ser ajustados para texto escaneado a cerca de 300 dpi, o que em uma página A4 ou Carta dos EUA significa aproximadamente 2480 × 3508 px ou 2550 × 3300 px. A câmera de um celular moderno supera isso com facilidade se a página preencher o quadro, mas uma foto da página inteira tirada do outro lado da mesa e depois cortada em uma tabela pequena pode ficar bem abaixo disso.

O contraste importa tanto quanto a resolução. Recibos de papel térmico desbotam, linhas cinza de tabela sobre fundo cinza desaparecem, e a sombra do celular sobre a página pode cortar uma coluna ao meio. Se o original é um documento em papel que você vai extrair com frequência, o guia sobre escanear documentos em PDF explica iluminação e configurações do scanner com mais detalhes. Antes de enviar, confira esta lista.

O Dados de Imagem do Excel (Data from Picture) chegou ao app para Android em 2019, depois ao iPhone, e agora está no Excel para Microsoft 365 no Windows e no Mac, em Dados > De Imagem. Você fotografa ou carrega uma tabela, confere as células reconhecidas em um painel lateral que sinaliza valores duvidosos e as insere. O Google oferece um caminho menos direto: no Drive, clique com o botão direito em uma imagem ou PDF e escolha Abrir com > Documentos Google. A própria página de ajuda do Google limita isso a arquivos de até 2 MB e lê apenas as 10 primeiras páginas de um PDF, e o resultado é um documento, então a tabela muitas vezes chega como linhas de texto que você depois cola no Planilhas e divide.

O Adobe Acrobat Pro exporta um PDF para uma pasta de trabalho do Microsoft Excel e executa OCR nas páginas escaneadas durante a exportação. O Excel para Microsoft 365 no Windows também consegue extrair tabelas de um PDF de texto com Obter Dados > De Arquivo > De PDF, que abre o Power Query; ele lista cada tabela detectada por página, permite anexar as páginas mensais de um extrato em uma única tabela e atualiza quando você troca pelo arquivo do mês seguinte. Ele não lê escaneamentos, e o Excel para Mac não tem esse conector.

Os conversores no navegador cobrem o resto sem instalar nada. Para um PDF de texto ou escaneado, PDF para Excel transforma cada tabela detectada em uma planilha própria; para uma foto ou captura de tela, converta a imagem em Excel ou salve a tabela como CSV quando outro programa for importá-la. A tabela compara as cinco opções.

Uma tabela convertida que parece correta ainda não é uma tabela em que você possa confiar. Comece pelo número de linhas: se o extrato lista 47 transações, a planilha deve ter 47 linhas de dados, não 46 porque duas linhas se fundiram, nem 49 porque uma descrição quebrada virou uma linha própria. Depois, some uma coluna numérica com SOMA e compare com o total impresso no documento. Se o documento não tem total, some alguns valores à mão e compare.

Em seguida, procure células que só fingem ser números. No Excel, números de verdade se alinham à direita por padrão e o texto se alinha à esquerda, então uma coluna com alguns valores alinhados à esquerda está lhe dizendo algo; ÉNÚM em uma coluna auxiliar encontra todos de uma vez. As datas merecem a mesma desconfiança. Uma data lida como texto é ordenada em ordem alfabética, então 10/02 vem antes de 2/03, e 03/04 pode significar 3 de abril ou 4 de março, dependendo de quem escreveu.

Por fim, verifique o que foi perdido, e não só o que foi alterado. Números longos de conta e de cartão são uma armadilha clássica: o Excel guarda números com 15 dígitos significativos, então um número de cartão de 16 dígitos digitado ou importado como número tem o último dígito transformado em zero.

Escolha XLSX quando uma pessoa for trabalhar com os dados no Excel, no Planilhas Google ou no Numbers. Ele mantém várias tabelas em planilhas separadas, tipos reais de número e data, linhas de cabeçalho em negrito e células mescladas. Escolha CSV quando um software for importar: aplicativos de orçamento, sistemas contábeis, bancos de dados e scripts. O CSV é texto simples com uma tabela por arquivo, descrito na RFC 4180 de 2005, e as três configurações que importam são o delimitador, a codificação e se os números são salvos como números.

O delimitador precisa combinar com o programa que vai importar; o Excel em países que escrevem decimais com vírgula espera ponto e vírgula. A codificação decide se nomes como Müller ou São Paulo sobrevivem: UTF-8 com BOM é o que o Excel para Windows lê corretamente ao dar um duplo clique. Os zeros à esquerda são a perda clássica. CEPs como 01310-100, matrículas de funcionários e códigos de produto são identificadores, não quantidades, e perdem os zeros iniciais assim que algo os trata como números. Desative Salvar números como números em tabelas cheias de identificadores, ou importe o CSV com essas colunas definidas como Texto.

Extrair uma tabela é uma consulta; extrair um ano de notas fiscais ou doze extratos bancários mensais é um pequeno projeto de dados. Mantenha os documentos de origem no mesmo layout sempre que possível e converta tudo de uma vez para que cada arquivo receba as mesmas configurações. Com PDFs de texto, envie até 20 por vez, cada um com até 95 MB, e escolha Tudo em uma planilha na opção Planilhas quando a tabela de transações de um extrato continua por várias páginas. Fotos são convertidas uma imagem de tabela por vez, então, para uma pilha de notas em papel, muitas vezes é mais rápido juntar as páginas antes com imagem para PDF e apontar Páginas do PDF para o intervalo que contém as tabelas.

Depois de um lote, anexe os resultados em uma única planilha com uma coluna que registre o nome do arquivo de origem. Se os documentos são em sua maioria texto com uma ou duas tabelas, converter o PDF para Word mantém parágrafos e tabelas juntos.

Extratos bancários, holerites e notas fiscais trazem números de conta, endereços e histórico de gastos, então pense para onde eles vão. No UltKit, os envios e os arquivos gerados são apagados 30 minutos depois do processamento e ninguém os lê. Mesmo assim, a cópia mais segura é a que nunca sai do seu computador: corte ou oculte as colunas de que você não precisa, como números completos de conta, antes de enviar, e apague as exportações locais que não forem mais necessárias.