Как извлечь таблицу из картинки и PDF в Excel или CSV

Прежде чем выбирать инструмент, выясните, какая именно таблица у вас на руках: три распространенных источника ломаются по-разному. Откройте PDF и попробуйте курсором выделить одно число. Если число выделяется отдельно, перед вами текстовый PDF: каждый символ хранится как текст в точной позиции, и извлечение сводится к группировке символов по строкам и столбцам. Если вся страница выделяется одним блоком или не выделяется ничего, у вас картинка с таблицей, и сначала нужно прочитать пиксели.

Третий случай легко упустить. Многие отчеты из старых бухгалтерских систем, терминальных программ и тел писем похожи на таблицы, но это обычный текст, выровненный табуляцией или рядами пробелов. Ячеек там нет вовсе, есть только моноширинная раскладка. Запускать OCR на скриншоте такого текста значит терять информацию, которая у вас уже есть: быстрее и точнее скопировать текст и разбить его на столбцы. В карточках ниже кратко описано, что нужно каждому источнику.

Распознавание таблицы — второй проход, который запускается после того, как символы уже определены. Сначала программа находит ячейки: в таблицах с линиями она прослеживает горизонтальные и вертикальные линии и считает каждую замкнутую рамку ячейкой; в таблицах без границ ищет вертикальные просветы пустого места на всю высоту блока. Затем выравнивает столбцы, решая, что число, сдвинутое на несколько пикселей вправо относительно верхнего, все равно относится к тому же столбцу.

Далее идет строка заголовков. Распознаватели ищут первую строку, выделенную жирным, заливкой или состоящую из слов над столбцами чисел, и склеивают заголовки, перенесенные на две строки, в одну ячейку. Последний шаг — объединенные ячейки: подпись вроде Q1 над тремя столбцами месяцев определяется по отсутствию внутренних линий и либо воссоздается как объединенная ячейка, либо копируется в каждый столбец, который она охватывает.

Ничего из этого не является пониманием смысла. Программа не знает, что в столбце даты или что строка — промежуточный итог; она видит только геометрию и символы. Поэтому один и тот же инструмент может безупречно обработать одну выписку и перепутать следующую, из другого банка, и поэтому вообще существуют настройки Тип таблицы и Определять строку заголовков: они сообщают распознавателю то, что он не может надежно вывести сам.

Большинство сбоев делится на две группы. Сбои геометрии ломают сетку, и значения попадают не в ту строку или столбец. Сбои чисел оставляют сетку целой, но меняют смысл ячейки, и это хуже, потому что таблица выглядит нормально. Сдвинутый столбец заметен сразу; 1.234, прочитанное как десятичная дробь вместо тысячи, — нет.

Главный источник проблем с числами — региональные настройки. В США и Великобритании пишут 1,234.56; в Германии, Бразилии и большей части континентальной Европы — 1.234,56; во Франции разделитель тысяч — пробел; в Швейцарии часто используют апостроф, как в 1'234.56; в Индии цифры группируют как 1,23,456. В бухгалтерских документах добавляются отрицательные числа в скобках и символы валют, приклеенные к цифрам. Ниже перечислено, на что обращать внимание и что исправляет каждый случай.

Каждая минута, потраченная на исходник, экономит несколько минут в таблице. Движки OCR обычно настроены на текст, отсканированный примерно в 300 dpi, а для страницы A4 или US Letter это около 2480 × 3508 px или 2550 × 3300 px. Современная камера телефона легко дает больше, если страница занимает весь кадр, но снимок всей страницы с другого конца стола, обрезанный до маленькой таблицы, может оказаться заметно ниже этого значения.

Контраст важен не меньше разрешения. Чеки на термобумаге выцветают, серые линии таблицы на сером фоне пропадают, а тень от телефона на странице может разрезать столбец пополам. Если вы регулярно извлекаете данные из бумажных документов, в руководстве по сканированию документов в PDF подробнее описаны освещение и настройки сканера. Перед загрузкой пройдитесь по этому списку.

Функция «Данные из рисунка» в Excel появилась в приложении для Android в 2019 году, затем на iPhone, а теперь есть в Excel для Microsoft 365 на Windows и Mac в разделе «Данные» > «Из рисунка». Вы фотографируете или загружаете одну таблицу, проверяете распознанные ячейки на боковой панели, где отмечены сомнительные значения, и вставляете их. У Google путь менее прямой: в Диске щелкните изображение или PDF правой кнопкой и выберите «Открыть с помощью» > «Google Документы». По справке Google, это работает для файлов до 2 МБ и читает только первые 10 страниц PDF, а результатом становится документ, поэтому таблица часто приходит строками текста, которые приходится вставлять в Таблицы и разбивать.

Adobe Acrobat Pro экспортирует PDF в книгу Microsoft Excel и запускает OCR для отсканированных страниц при экспорте. Excel для Microsoft 365 на Windows также умеет извлекать таблицы из текстового PDF через «Получить данные» > «Из файла» > «Из PDF», что открывает Power Query: он перечисляет все найденные таблицы по страницам, позволяет объединить ежемесячные страницы выписки в одну таблицу и обновляется, когда вы подставляете файл следующего месяца. Сканы он не читает, а в Excel для Mac такого коннектора нет.

Остальное закрывают конвертеры в браузере, ничего не нужно устанавливать. Для текстового или отсканированного PDF PDF в Excel превращает каждую найденную таблицу в отдельный лист; для фото или скриншота конвертируйте изображение в Excel или сохраните таблицу в CSV, если ее будет импортировать другая программа. В таблице сравниваются пять способов.

Преобразованная таблица, которая выглядит правильно, еще не таблица, на которую можно положиться. Начните с числа строк: если в выписке 47 операций, в таблице должно быть 47 строк данных, а не 46, потому что две строки слились, и не 49, потому что перенесенное описание стало отдельной строкой. Затем сложите один числовой столбец функцией SUM и сравните с итогом, напечатанным в документе. Если в документе итога нет, сложите несколько значений вручную и сравните.

Далее поищите ячейки, которые лишь притворяются числами. В Excel настоящие числа по умолчанию выравниваются по правому краю, а текст — по левому, поэтому столбец с несколькими суммами у левого края о чем-то сигнализирует; ISNUMBER во вспомогательном столбце находит их все сразу. К датам стоит относиться так же подозрительно. Дата, прочитанная как текст, сортируется по алфавиту, поэтому 10/02 оказывается раньше 2/03, а 03/04 может означать 3 апреля или 4 марта в зависимости от того, кто писал.

Наконец, проверьте, что потеряно, а не только что изменено. Длинные номера счетов и карт — классическая ловушка: Excel хранит числа с 15 значащими цифрами, поэтому у 16-значного номера карты, введенного или импортированного как число, последняя цифра превращается в ноль.

Выбирайте XLSX, если с данными будет работать человек в Excel, Google Sheets или Numbers. Формат сохраняет несколько таблиц на отдельных листах, настоящие типы чисел и дат, полужирные заголовки и объединённые ячейки. Выбирайте CSV, если данные будет импортировать программа: бюджетное приложение, бухгалтерская система, база данных или скрипт. CSV — это обычный текст, одна таблица на файл, он описан в RFC 4180 2005 года. Важны три настройки: разделитель, кодировка и то, хранятся ли числа как числа.

Разделитель должен совпадать с тем, который ждёт программа-получатель: Excel в странах, где десятичная часть пишется через запятую, ожидает точку с запятой. От кодировки зависит, сохранятся ли такие имена, как Müller или São Paulo: UTF-8 с BOM корректно читается в Excel для Windows при двойном щелчке. Классическая потеря — ведущие нули. Американские почтовые индексы вроде 02134, табельные номера и коды товаров — это идентификаторы, а не количества, и они превращаются в 2134, как только их начинают считать числами. Для таблиц с идентификаторами отключите Хранить числа как числа или импортируйте CSV, указав для этих столбцов тип «Текст».

Извлечь одну таблицу — задача на пару минут, а извлечь счета за год или двенадцать ежемесячных банковских выписок — уже небольшой проект по работе с данными. По возможности держите исходные документы в одном формате и конвертируйте их за один проход, чтобы у всех файлов были одинаковые настройки. Текстовые PDF можно загружать до 20 штук за раз, каждый до 95 MB; если таблица операций в выписке продолжается на нескольких страницах, в параметре Листы выберите Всё на одном листе. Фотографии конвертируются по одной таблице за раз, поэтому для стопки бумажных счетов часто быстрее сначала объединить страницы через изображения в PDF, а в Страницы PDF указать диапазон с таблицами.

После пакетной обработки добавьте результаты в один лист и заведите столбец с именем исходного файла. Если в документах в основном текст и одна-две таблицы, лучше перевести PDF в Word: абзацы и таблицы останутся вместе.

В банковских выписках, расчётных листках и счетах есть номера счетов, адреса и история расходов, так что стоит подумать, куда они попадают. В UltKit загруженные и созданные файлы удаляются через 30 минут после обработки, и их никто не читает. И всё же самая надёжная копия — та, что не покидает ваш компьютер: перед загрузкой обрежьте или закройте ненужные столбцы, например полные номера счетов, а локальные экспортированные файлы удаляйте, когда они больше не нужны.