Tabela iz slike ali PDF v Excel ali CSV: kako izvleči

Preden izberete orodje, ugotovite, kakšno tabelo sploh imate, saj se trije pogosti viri pokvarijo na različne načine. Odprite PDF in poskusite s kazalcem izbrati eno samo številko. Če se številka označi sama, je datoteka besedilni PDF: vsak znak je shranjen kot besedilo na natančnem mestu, izvleček pa je večinoma združevanje znakov v vrstice in stolpce. Če se označi cela stran kot en blok ali se ne označi nič, imate sliko tabele in nekdo mora najprej prebrati slikovne pike.

Tretji primer zlahka spregledamo. Številna poročila iz starejših računovodskih sistemov, terminalskih programov in telesa e-pošte izgledajo kot tabele, a so navadno besedilo, poravnano s tabulatorji ali nizi presledkov. Celic sploh ni, le enakomerno široka postavitev. OCR na posnetku zaslona takega besedila zavrže podatke, ki jih že imate; hitreje in natančneje je besedilo kopirati in ga razdeliti v stolpce. Spodnje kartice povzemajo, kaj potrebuje posamezni vir.

Prepoznavanje tabel je drugi prehod, ki steče, ko so znaki že znani. Najprej poišče celice: pri tabelah s črtami sledi vodoravnim in navpičnim črtam in vsak zaprt okvir šteje za celico; pri tabelah brez obrob išče navpične pasove praznega prostora, ki tečejo čez vso višino bloka. Nato poravna stolpce in presodi, da številka, ki je nekaj pik desno od zgornje, še vedno spada v isti stolpec.

Sledi naslovna vrstica. Prepoznavalniki iščejo prvo vrstico, ki je krepka, osenčena ali sestavljena iz besed nad stolpci številk, in naslove, ki se prelomijo v dve vrstici, združijo v eno celico. Združene celice so zadnji korak: oznaka, na primer Q1 čez tri mesečne stolpce, se prepozna po manjkajočih notranjih črtah in se znova sestavi kot združena celica ali kopira v vsak stolpec, ki ga zajema.

Nič od tega ni razumevanje besedila. Programska oprema ne ve, da stolpec vsebuje datume ali da je vrstica vmesna vsota; vidi le geometrijo in znake. Zato je isto orodje lahko brezhibno pri enem izpisku in zmede naslednjega iz druge banke ter zato sploh obstajajo nastavitve, kot sta Slog tabele in Prepoznaj naslovno vrstico: prepoznavalniku povedo dejstvo, ki ga sam ne more zanesljivo izpeljati.

Večina napak spada v dve skupini. Geometrijske napake pokvarijo mrežo, zato vrednosti pristanejo v napačni vrstici ali stolpcu. Številske napake pustijo mrežo nedotaknjeno, a spremenijo pomen celice, kar je huje, ker list izgleda v redu. Zamaknjen stolpec opazite takoj; 1.234, prebrano kot decimalno število namesto tisočice, pa ne.

Jezikovne nastavitve so glavni vir težav s številkami. ZDA in Združeno kraljestvo pišejo 1,234.56; Nemčija, Brazilija in večina celinske Evrope 1.234,56; Francija uporablja presledek kot ločilo tisočic; Švica pogosto opuščaj, kot v 1'234.56; Indija pa številke združuje kot 1,23,456. Računovodski dokumenti dodajo še negativna števila v oklepajih in valutne simbole, prilepljene na številke. Tu je, na kaj paziti in kaj odpravi posamezen primer.

Vsaka minuta, porabljena za vhod, prihrani več minut v preglednici. OCR-mehanizmi so običajno prilagojeni besedilu, skeniranemu pri približno 300 dpi, kar za stran A4 ali US Letter pomeni približno 2480 × 3508 px oziroma 2550 × 3300 px. Sodobna telefonska kamera to zlahka preseže, če stran zapolni kader, a fotografija cele strani, posneta čez mizo in nato obrezana na majhno tabelo, lahko pade precej pod to mejo.

Kontrast je enako pomemben kot ločljivost. Termični računi zbledijo, sive črte tabele na sivem ozadju izginejo, senca telefona čez stran pa lahko stolpec prereže na pol. Če je izvirnik papirni dokument, ki ga boste redno izvlekli, vodnik skeniranje dokumentov v PDF podrobneje opisuje osvetlitev in nastavitve skenerja. Pred nalaganjem preglejte ta seznam.

Excelova funkcija Podatki iz slike je v aplikaciji za Android prispela leta 2019, nato na iPhone, zdaj pa je v Excelu za Microsoft 365 v sistemih Windows in Mac pod Podatki > Iz slike. Fotografirate ali naložite eno tabelo, v stranski plošči pregledate prepoznane celice, kjer so dvomljive vrednosti označene, in jih vstavite. Google ponuja manj neposredno pot: v Drivu z desnim klikom na sliko ali PDF izberite Odpri z > Google Dokumenti. Googlova pomoč to omejuje na datoteke do 2 MB in prebere le prvih 10 strani PDF-ja, rezultat pa je dokument, zato tabela pogosto pride kot vrstice besedila, ki jih nato prilepite v Preglednice in razdelite.

Adobe Acrobat Pro izvozi PDF v delovni zvezek Microsoft Excel in med izvozom požene OCR na skeniranih straneh. Excel za Microsoft 365 v sistemu Windows lahko tabele iz besedilnega PDF-ja potegne tudi z Get Data > From File > From PDF, ki odpre Power Query; ta našteje vsako prepoznano tabelo po straneh, omogoča združitev mesečnih strani izpiska v eno tabelo in se osveži, ko zamenjate datoteko za naslednji mesec. Skenov ne bere, Excel za Mac pa te povezave nima.

Brskalniški pretvorniki pokrijejo preostalo brez nameščanja. Za besedilni ali skeniran PDF PDF v Excel vsako prepoznano tabelo spremeni v svoj list; za fotografijo ali posnetek zaslona pretvorite sliko v Excel ali shranite tabelo kot CSV, če jo bo uvozil drug program. Tabela primerja teh pet poti.

Pretvorjena tabela, ki izgleda prav, še ni tabela, na katero se lahko zanesete. Začnite s številom vrstic: če izpisek navaja 47 transakcij, mora imeti list 47 podatkovnih vrstic, ne 46, ker sta se dve vrstici združili, ali 49, ker je prelomljen opis postal svoja vrstica. Nato s SUM seštejte en številski stolpec in ga primerjajte s skupnim zneskom na dokumentu. Če dokument vsote nima, nekaj vrednosti seštejte ročno in primerjajte.

Nato poiščite celice, ki se samo pretvarjajo, da so števila. V Excelu so prava števila privzeto poravnana desno, besedilo levo, zato vam stolpec z nekaj levo poravnanimi zneski nekaj sporoča; ISNUMBER v pomožnem stolpcu jih najde vse naenkrat. Enak sum zbujajo datumi. Datum, prebran kot besedilo, se razvrsti abecedno, zato 10/02 pristane pred 2/03, 03/04 pa je lahko 3. april ali 4. marec, odvisno od tega, kdo ga je napisal.

Na koncu preverite, kaj je bilo izgubljeno, ne le, kaj je bilo spremenjeno. Dolge številke računov in kartic so klasična past: Excel shranjuje števila s 15 pomembnimi števkami, zato se pri 16-mestni številki kartice, vtipkani ali uvoženi kot število, zadnja števka spremeni v ničlo.

Izberite XLSX, kadar bo oseba s podatki delala v Excelu, Google Preglednicah ali Numbers. Ohrani več tabel na ločenih listih, prave tipe števil in datumov, krepke naslovne vrstice in združene celice. Izberite CSV, kadar jih bo uvozila programska oprema: aplikacije za proračun, računovodski programi, zbirke podatkov in skripte. CSV je navadno besedilo z eno tabelo na datoteko, opisan v RFC 4180 iz leta 2005, pomembne pa so tri nastavitve: ločilo, kodiranje in ali so števila shranjena kot števila.

Ločilo se mora ujemati s programom, ki uvaža; Excel v državah z decimalno vejico pričakuje podpičja. Kodiranje odloča, ali imena, kot sta Müller ali São Paulo, preživijo: UTF-8 z BOM Excel za Windows pravilno prebere ob dvokliku. Začetne ničle so klasična izguba. Ameriške poštne številke, kot je 02134, ID-ji zaposlenih in šifre izdelkov so identifikatorji, ne količine, in postanejo 2134, ko jih kaj obravnava kot števila. Za tabele, polne ID-jev, izklopite Shrani števila kot števila ali CSV uvozite z nastavitvijo stolpcev na Besedilo.

Izvleček ene tabele je iskanje; izvleček leta računov ali dvanajstih mesečnih bančnih izpiskov je majhen podatkovni projekt. Izvorne dokumente po možnosti ohranite v isti postavitvi in jih pretvorite naenkrat, da vsaka datoteka dobi enake nastavitve. Pri besedilnih PDF-jih naložite do 20 naenkrat, vsakega do 95 MB, in v možnosti Listi izberite Vse na enem listu, kadar se tabela transakcij izpiska nadaljuje čez strani. Fotografije se pretvorijo po ena slika tabele naenkrat, zato je pri kupu papirnatih računov pogosto hitreje najprej strani združiti z sliko v PDF in pri Strani PDF določiti razpon s tabelami.

Po paketu rezultate dodajte v en list s stolpcem, ki beleži ime izvorne datoteke. Če so dokumenti večinoma besedilo z eno ali dvema tabelama, pretvorba PDF v Word ohrani odstavke in tabele skupaj.

Bančni izpiski, plačilne liste in računi vsebujejo številke računov, naslove in zgodovino porabe, zato premislite, kam gredo. Na UltKit se naložene in ustvarjene datoteke izbrišejo 30 minut po obdelavi in jih nihče ne bere. Kljub temu je najvarnejša kopija tista, ki nikoli ne zapusti vašega računalnika: pred nalaganjem obrežite ali zakrijte stolpce, ki jih ne potrebujete, na primer polne številke računov, in izbrišite lokalne izvoze, ki jih ne potrebujete več.