Ako extrahovať tabuľky z obrázkov a PDF do Excelu alebo CSV

Skôr než vyberiete nástroj, zistite, aký druh tabuľky vlastne máte, pretože tri bežné zdroje zlyhávajú rôzne. Otvorte PDF a skúste kurzorom označiť jedno číslo. Ak sa číslo označí samo, ide o textové PDF: každý znak je uložený ako text na presnej pozícii a extrakcia spočíva najmä v zoskupení znakov do riadkov a stĺpcov. Ak sa označí celá strana ako jeden blok alebo sa neoznačí nič, máte obrázok tabuľky a pixely musí najprv prečítať OCR.

Tretí prípad sa ľahko prehliadne. Mnohé zostavy zo starších účtovných systémov, terminálových programov a tiel e-mailov vyzerajú ako tabuľky, ale sú to obyčajný text zarovnaný tabulátormi alebo radmi medzier. Nie sú tam žiadne bunky, len písmo s pevnou šírkou. OCR na snímke takého textu zahodí informácie, ktoré už máte; skopírovať text a rozdeliť ho na stĺpce je rýchlejšie a presné. Karty nižšie zhŕňajú, čo každý zdroj potrebuje.

Rozpoznávanie tabuliek je druhý prechod, ktorý beží po rozpoznaní znakov. Najprv nájde bunky: pri tabuľkách s čiarami sleduje vodorovné a zvislé čiary a každý uzavretý rámik berie ako bunku; pri tabuľkách bez okrajov hľadá zvislé medzery prázdneho miesta po celej výške bloku. Potom zarovná stĺpce a rozhodne, že číslo posunuté o pár pixelov doprava oproti tomu nad ním patrí do rovnakého stĺpca.

Nasleduje hlavičkový riadok. Rozpoznávač hľadá prvý riadok, ktorý je tučný, podfarbený alebo zložený zo slov nad stĺpcami čísel, a hlavičky zalomené do dvoch riadkov spojí do jednej bunky. Zlúčené bunky sú posledným krokom: popis ako Q1 nad tromi mesačnými stĺpcami sa zistí podľa chýbajúcich vnútorných čiar a buď sa vytvorí zlúčená bunka, alebo sa skopíruje do každého stĺpca, ktorý pokrýva.

Nič z toho nie je porozumenie textu. Softvér nevie, že stĺpec obsahuje dátumy alebo že riadok je medzisúčet; vidí len geometriu a znaky. Preto môže ten istý nástroj bezchybne spracovať jeden výpis a ďalší z inej banky pokaziť, a preto existujú nastavenia ako Štýl tabuľky a Rozpoznať riadok hlavičky: dajú rozpoznávaču informáciu, ktorú nevie spoľahlivo odvodiť.

Väčšina zlyhaní spadá do dvoch skupín. Geometrické chyby rozbijú mriežku, takže hodnoty skončia v nesprávnom riadku alebo stĺpci. Chyby čísel nechajú mriežku nepoškodenú, ale zmenia význam bunky, čo je horšie, pretože hárok vyzerá v poriadku. Posunutý stĺpec je zrejmý na prvý pohľad; 1.234 prečítané ako desatinné číslo namiesto tisícky nie.

Hlavným zdrojom problémov s číslami je lokalizácia. USA a Spojené kráľovstvo píšu 1,234.56; Nemecko, Brazília a väčšina kontinentálnej Európy 1.234,56; Francúzsko používa medzeru ako oddeľovač tisícov; Švajčiarsko často apostrof, ako v 1'234.56; a India člení číslice ako 1,23,456. Účtovné doklady pridávajú záporné čísla v zátvorkách a mená mien nalepené na číslice. Tu je, na čo si dať pozor a čo každý prípad rieši.

Každá minúta venovaná vstupu ušetrí niekoľko minút v tabuľke. OCR nástroje sú bežne vyladené na text skenovaný pri približne 300 dpi, čo pre stranu A4 alebo US Letter znamená zhruba 2480 × 3508 px alebo 2550 × 3300 px. Moderný telefón to ľahko prekoná, ak strana vyplní záber, no fotka celej strany z druhého konca stola, potom orezaná na malú tabuľku, môže ísť výrazne pod túto hodnotu.

Kontrast je rovnako dôležitý ako rozlíšenie. Termopapierové bloky blednú, sivé čiary tabuľky na sivom pozadí zmiznú a tieň z telefónu cez stranu môže rozdeliť stĺpec na polovicu. Ak ide o papierový dokument, z ktorého budete extrahovať pravidelne, podrobnejšie o osvetlení a nastaveniach skenera hovorí návod skenovanie dokumentov do PDF. Pred nahraním prejdite tento zoznam.

Funkcia Dáta z obrázka v Exceli prišla do aplikácie pre Android v roku 2019, potom na iPhone a teraz je v Exceli pre Microsoft 365 na Windows a Mac pod Údaje > Z obrázka. Odfotíte alebo načítate jednu tabuľku, skontrolujete rozpoznané bunky v bočnom paneli, ktorý označuje pochybné hodnoty, a vložíte ich. Google ponúka menej priamu cestu: v Disku kliknite pravým tlačidlom na obrázok alebo PDF a vyberte Otvoriť pomocou > Dokumenty Google. Pomocník Google to obmedzuje na súbory do 2 MB a číta len prvých 10 strán PDF, výsledkom je dokument, takže tabuľka často príde ako riadky textu, ktoré potom vložíte do Tabuliek a rozdelíte.

Adobe Acrobat Pro exportuje PDF do zošita Microsoft Excel a pri exporte spustí OCR na naskenovaných stranách. Excel pre Microsoft 365 na Windows vie aj načítať tabuľky z textového PDF cez Získať údaje > Zo súboru > Z PDF, čo otvorí Power Query; zobrazí každú nájdenú tabuľku podľa strany, umožní pripojiť mesačné strany výpisu do jednej tabuľky a obnoví sa, keď vymeníte súbor za budúci mesiac. Skeny nečíta a Excel pre Mac tento konektor nemá.

Prehliadačové konvertory pokryjú zvyšok bez inštalácie. Pre textové alebo naskenované PDF PDF do Excelu zmení každú nájdenú tabuľku na vlastný hárok; pre fotku alebo snímku obrazovky previesť obrázok do Excelu alebo uložiť tabuľku ako CSV, ak ju bude importovať iný program. Tabuľka porovnáva päť ciest.

Prevedená tabuľka, ktorá vyzerá správne, ešte nie je tabuľkou, na ktorú sa dá spoľahnúť. Začnite počtom riadkov: ak výpis uvádza 47 transakcií, hárok má mať 47 dátových riadkov, nie 46, lebo sa dva riadky spojili, alebo 49, lebo zalomený popis vytvoril vlastný riadok. Potom funkciou SUM sčítajte jeden číselný stĺpec a porovnajte s celkom vytlačeným na dokumente. Ak dokument celok nemá, sčítajte niekoľko hodnôt ručne a porovnajte.

Ďalej hľadajte bunky, ktoré sa len tvária ako čísla. V Exceli sa skutočné čísla zarovnávajú predvolene vpravo a text vľavo, takže stĺpec s pár sumami zarovnanými vľavo vám niečo hovorí; ISNUMBER v pomocnom stĺpci ich nájde naraz. Rovnaká podozrievavosť patrí dátumom. Dátum prečítaný ako text sa triedi abecedne, takže 10/02 pristane pred 2/03 a 03/04 môže znamenať 3. apríl alebo 4. marec podľa toho, kto to napísal.

Nakoniec skontrolujte, čo sa stratilo, nie čo sa zmenilo. Dlhé čísla účtov a kariet sú klasická pasca: Excel ukladá čísla s 15 platnými číslicami, takže 16-ciferné číslo karty zadané alebo naimportované ako číslo má poslednú číslicu zmenenú na nulu.

Vyberte XLSX, keď bude s dátami pracovať človek v Exceli, Tabuľkách Google alebo Numbers. Zachová viac tabuliek na samostatných hárkoch, skutočné typy čísel a dátumov, tučné hlavičky a zlúčené bunky. Vyberte CSV, keď ho bude importovať softvér: aplikácie na rozpočet, účtovné programy, databázy a skripty. CSV je obyčajný text s jednou tabuľkou na súbor, popísaný v RFC 4180 z roku 2005, a záleží na troch nastaveniach: oddeľovač, kódovanie a či sa čísla ukladajú ako čísla.

Oddeľovač sa musí zhodovať s importujúcim programom; Excel v krajinách, kde sa desatinná časť píše čiarkou, očakáva bodkočiarky. Kódovanie rozhoduje, či mená ako Müller alebo São Paulo prežijú: UTF-8 s BOM Excel pre Windows správne prečíta po dvojkliku. Úvodné nuly sú klasická strata. Americké PSČ ako 02134, ID zamestnancov a kódy produktov sú identifikátory, nie množstvá, a stanú sa 2134, hneď ako ich niečo berie ako čísla. Vypnite Uložiť čísla ako čísla pri tabuľkách plných ID alebo importujte CSV so stĺpcami nastavenými na Text.

Extrahovať jednu tabuľku je jednoduché; extrahovať rok faktúr alebo dvanásť mesačných bankových výpisov je malý dátový projekt. Zdrojové dokumenty držte podľa možnosti v rovnakom rozložení a prevádzajte ich naraz, aby každý súbor dostal rovnaké nastavenia. Pri textových PDF nahrajte naraz až 20 súborov, každý do 95 MB, a v možnosti Hárky zvoľte Všetko na jednom hárku, ak tabuľka transakcií výpisu pokračuje na ďalších stranách. Fotky sa prevádzajú po jednom obrázku tabuľky, takže pri kope papierových faktúr je často rýchlejšie najprv spojiť strany cez obrázok do PDF a v Strany PDF zadať rozsah s tabuľkami.

Po dávke pripojte výsledky do jedného hárka so stĺpcom, ktorý zaznamenáva názov zdrojového súboru. Ak dokumenty tvorí hlavne text s jednou-dvoma tabuľkami, prevod PDF do Wordu zachová odseky aj tabuľky pokope.

Bankové výpisy, výplatné pásky a faktúry obsahujú čísla účtov, adresy a históriu výdavkov, preto zvážte, kam idú. V UltKit sa nahrané aj vygenerované súbory vymažú 30 minút po spracovaní a nikto ich nečíta. Najbezpečnejšia kópia je však tá, ktorá váš počítač nikdy neopustí: pred nahraním orežte alebo začierňte stĺpce, ktoré nepotrebujete, napríklad plné čísla účtov, a lokálne exporty, ktoré už nepotrebujete, vymažte.