Extragere tabel din imagine și PDF în Excel sau CSV | UltKit

Înainte de a alege un instrument, aflați ce fel de tabel aveți de fapt, pentru că cele trei surse obișnuite dau erori diferite. Deschideți PDF-ul și încercați să selectați cu cursorul un singur număr. Dacă numărul se evidențiază singur, fișierul este un PDF cu text: fiecare caracter este stocat ca text, într-o poziție exactă, iar extragerea înseamnă în principal gruparea acestor caractere în rânduri și coloane. Dacă toată pagina se evidențiază ca un singur bloc sau nu se evidențiază nimic, aveți o imagine a unui tabel și cineva trebuie mai întâi să citească pixelii.

Al treilea caz se observă ușor greu. Multe rapoarte exportate din sisteme contabile mai vechi, programe de terminal și corpuri de e-mail arată ca niște tabele, dar sunt text simplu aliniat cu tabulatoare sau cu șiruri de spații. Nu există deloc celule, ci doar o aranjare cu font monospațiat. Rularea OCR pe o captură de ecran a acestui text aruncă informații pe care le aveți deja; copierea textului și împărțirea lui în coloane este mai rapidă și exactă. Cardurile de mai jos rezumă ce necesită fiecare sursă.

Recunoașterea tabelelor este o a doua trecere, care rulează după ce caracterele sunt cunoscute. Mai întâi găsește celulele: la tabelele cu linii urmărește liniile orizontale și verticale și tratează fiecare casetă închisă drept celulă; la tabelele fără borduri caută spații goale verticale care străbat toată înălțimea blocului. Apoi aliniază coloanele, hotărând că un număr aflat cu câțiva pixeli mai la dreapta decât cel de deasupra aparține tot aceleiași coloane.

Urmează rândul de antet. Programele caută un prim rând îngroșat, umbrit sau format din cuvinte deasupra unor coloane de numere și unesc antetele rupte pe două rânduri într-o singură celulă. Celulele îmbinate sunt ultimul pas: o etichetă precum T1, întinsă peste trei coloane de lună, este detectată după liniile interioare lipsă și fie este reconstruită ca celulă îmbinată, fie este copiată în fiecare coloană acoperită.

Nimic din toate acestea nu înseamnă înțelegerea textului. Programul nu știe că o coloană conține date calendaristice sau că un rând este un subtotal; vede doar geometrie și caractere. De aceea același instrument poate fi impecabil pe un extras și poate încurca următorul, de la altă bancă, și de aceea există setări precum Stilul tabelului și Detectează rândul de antet: ele oferă programului un fapt pe care nu-l poate deduce sigur.

Majoritatea erorilor se încadrează în două grupe. Erorile de geometrie strică grila, iar valorile ajung în rândul sau coloana greșită. Erorile de numere lasă grila intactă, dar schimbă sensul unei celule, ceea ce e mai grav, fiindcă foaia arată bine. O coloană mutată se vede dintr-o privire; 1.234 citit ca zecimală în loc de o mie nu se vede.

Setările regionale sunt sursa principală a problemelor cu numerele. Statele Unite și Regatul Unit scriu 1,234.56; Germania, Brazilia și cea mai mare parte a Europei continentale scriu 1.234,56; Franța folosește spațiul ca separator al miilor; Elveția folosește adesea apostroful, ca în 1'234.56; iar India grupează cifrele ca 1,23,456. Documentele contabile adaugă numere negative între paranteze și simboluri valutare lipite de cifre. Iată la ce să fiți atenți și ce rezolvă fiecare caz.

Fiecare minut petrecut cu fișierul de intrare economisește mai multe în foaia de calcul. Motoarele OCR sunt de obicei reglate pentru text scanat la aproximativ 300 dpi, ceea ce pentru o pagină A4 sau US Letter înseamnă circa 2480 × 3508 px sau 2550 × 3300 px. O cameră de telefon modernă depășește ușor această valoare dacă pagina umple cadrul, dar o poză a paginii întregi, făcută de peste birou și apoi decupată la un tabel mic, poate coborî mult sub ea.

Contrastul contează la fel de mult ca rezoluția. Bonurile pe hârtie termică se șterg, liniile gri ale tabelului pe fundal gri dispar, iar o umbră a telefonului peste pagină poate tăia o coloană în două. Dacă originalul este un document pe hârtie din care veți extrage des, ghidul despre scanarea documentelor în PDF tratează mai detaliat lumina și setările scanerului. Înainte să încărcați, parcurgeți această listă.

Funcția Data from Picture din Excel a apărut în aplicația Android în 2019, apoi pe iPhone, iar acum este în Excel pentru Microsoft 365 pe Windows și Mac, la Data > From Picture. Fotografiați sau încărcați un tabel, verificați celulele recunoscute într-un panou lateral care semnalează valorile îndoielnice și le inserați. Google oferă o cale mai puțin directă: în Drive, faceți clic dreapta pe o imagine sau un PDF și alegeți Open with > Google Docs. Pagina de ajutor Google limitează metoda la fișiere de maximum 2 MB și citește doar primele 10 pagini ale unui PDF, iar rezultatul este un document, deci tabelul ajunge adesea ca rânduri de text pe care apoi le lipiți în Sheets și le împărțiți.

Adobe Acrobat Pro exportă un PDF într-un registru Microsoft Excel și rulează OCR pe paginile scanate în timpul exportului. Excel pentru Microsoft 365 pe Windows poate extrage tabele dintr-un PDF cu text cu Get Data > From File > From PDF, care deschide Power Query; acesta listează fiecare tabel detectat, pe pagini, vă lasă să adăugați paginile lunare ale unui extras într-un singur tabel și se reîmprospătează când înlocuiți fișierul cu cel din luna următoare. Nu citește scanări, iar Excel pentru Mac nu are acest conector.

Convertoarele din browser acoperă restul, fără instalare. Pentru un PDF cu text sau scanat, PDF în Excel transformă fiecare tabel detectat în propria foaie; pentru o poză sau o captură de ecran, convertiți imaginea în Excel sau salvați tabelul ca CSV când îl importă alt program. Tabelul compară cele cinci căi.

Un tabel convertit care arată bine nu este încă un tabel pe care vă puteți baza. Începeți cu numărul de rânduri: dacă extrasul listează 47 de tranzacții, foaia trebuie să aibă 47 de rânduri de date, nu 46 pentru că două linii s-au unit, nici 49 pentru că o descriere împărțită pe rânduri a devenit rând separat. Apoi adunați cu SUM o coloană numerică și comparați cu totalul tipărit pe document. Dacă documentul nu are total, adunați câteva valori manual și comparați.

Apoi căutați celulele care doar se prefac că sunt numere. În Excel, numerele reale se aliniază implicit la dreapta, iar textul la stânga, deci o coloană cu câteva sume aliniate la stânga vă spune ceva; ISNUMBER pe o coloană ajutătoare le găsește pe toate deodată. Datele calendaristice merită aceeași suspiciune. O dată citită ca text se sortează alfabetic, deci 10/02 ajunge înainte de 2/03, iar 03/04 poate însemna 3 aprilie sau 4 martie, în funcție de cine a scris-o.

În sfârșit, verificați ce s-a pierdut, nu doar ce s-a schimbat. Numerele lungi de cont și de card sunt o capcană clasică: Excel stochează numerele cu 15 cifre semnificative, deci un număr de card de 16 cifre tastat sau importat ca număr are ultima cifră transformată în zero.

Alegeți XLSX când o persoană lucrează cu datele în Excel, Google Sheets sau Numbers. Păstrează mai multe tabele pe foi separate, tipuri reale de număr și dată, rânduri de antet îngroșate și celule îmbinate. Alegeți CSV când datele sunt importate de un program: aplicații de buget, programe de contabilitate, baze de date și scripturi. CSV este text simplu, cu un tabel pe fișier, descris în RFC 4180 din 2005, iar cele trei setări care contează sunt delimitatorul, codificarea și dacă numerele sunt salvate ca numere.

Delimitatorul trebuie să se potrivească cu programul care importă; Excel din țările care scriu zecimalele cu virgulă așteaptă punct și virgulă. Codificarea decide dacă nume precum Müller sau São Paulo se păstrează: UTF-8 cu BOM este ce citește corect Excel pentru Windows la dublu clic. Zerourile de la început sunt pierderea clasică. Codurile poștale americane precum 02134, ID-urile de angajat și codurile de produs sunt identificatori, nu cantități, și devin 2134 imediat ce orice le tratează ca numere. Dezactivați Salvează numerele ca numere pentru tabelele pline de ID-uri sau importați CSV-ul cu acele coloane setate pe Text.

Extragerea unui tabel este o simplă căutare; extragerea unui an de facturi sau a douăsprezece extrase bancare lunare este un mic proiect de date. Păstrați documentele sursă în același aspect, când puteți, și convertiți-le într-o singură trecere, ca fiecare fișier să primească aceleași setări. La PDF-urile cu text, încărcați până la 20 deodată, fiecare de maximum 95 MB, și alegeți Tot pe o singură foaie la opțiunea Foi de calcul când tabelul de tranzacții al unui extras continuă pe mai multe pagini. Pozele se convertesc câte o imagine de tabel, deci pentru un teanc de facturi pe hârtie e adesea mai rapid să combinați întâi paginile cu imagine în PDF și să indicați la Pagini PDF intervalul care conține tabelele.

După un lot, adăugați rezultatele într-o singură foaie, cu o coloană care înregistrează numele fișierului sursă. Dacă documentele sunt în mare parte text, cu un tabel sau două, convertirea PDF-ului în Word păstrează împreună paragrafele și tabelele.

Extrasele bancare, fluturașii de salariu și facturile conțin numere de cont, adrese și istoricul cheltuielilor, deci gândiți-vă unde ajung. Pe UltKit, fișierele încărcate și cele generate sunt șterse la 30 de minute după procesare și nu sunt citite de nimeni. Totuși, cea mai sigură copie este cea care nu iese din calculatorul dvs.: decupați sau acoperiți coloanele de care nu aveți nevoie, precum numerele complete de cont, înainte de încărcare, și ștergeți exporturile locale de care nu mai aveți nevoie.