Extrahera tabeller från bilder och PDF till Excel eller CSV

Innan du väljer verktyg bör du ta reda på vilken sorts tabell du faktiskt har, eftersom de tre vanliga källorna misslyckas på olika sätt. Öppna PDF-filen och försök markera ett enskilt tal med markören. Om talet markeras för sig är filen en text-PDF: varje tecken lagras som text på en exakt position, och extraheringen går mest ut på att gruppera tecknen i rader och kolumner. Om hela sidan markeras som ett block, eller ingenting markeras alls, har du en bild av en tabell, och först måste någon läsa pixlarna.

Det tredje fallet är lätt att missa. Många rapporter från äldre bokföringssystem, terminalprogram och e-postmeddelanden ser ut som tabeller men är ren text uppställd med tabbar eller flera blanksteg i rad. Det finns inga celler alls, bara en layout med fast teckenbredd. Att köra OCR på en skärmbild av sådan text kastar bort information du redan har; det går snabbare och blir exakt om du kopierar texten och delar upp den i kolumner. Korten nedan sammanfattar vad varje källa kräver.

Tabellidentifiering är ett andra steg som körs när tecknen är kända. Först hittas cellerna: i tabeller med linjer följs de horisontella och vertikala linjerna och varje inramad ruta räknas som en cell; i tabeller utan ramar letar programmet efter lodräta mellanrum som går längs hela blockets höjd. Sedan justeras kolumnerna, och programmet avgör att ett tal som sitter några pixlar till höger om talet ovanför ändå hör till samma kolumn.

Därefter kommer rubrikraden. Igenkänningen letar efter en första rad som är fetstilt, skuggad eller består av ord ovanför kolumner med tal, och slår ihop rubriker som bryts över två rader till en enda cell. Sammanslagna celler är sista steget: en etikett som Q1 över tre månadskolumner upptäcks genom att de inre linjerna saknas och byggs upp som en sammanslagen cell eller kopieras till varje kolumn den täcker.

Inget av detta är läsförståelse. Programmet vet inte att en kolumn innehåller datum eller att en rad är en delsumma; det ser bara geometri och tecken. Därför kan samma verktyg vara felfritt på ett kontoutdrag och göra rörigt av nästa från en annan bank, och därför finns inställningar som Tabellstil och Identifiera rubrikrad överhuvudtaget: de ger igenkänningen ett faktum som den inte pålitligt kan räkna ut själv.

De flesta fel hör till två grupper. Geometrifel förstör rutnätet, så att värden hamnar på fel rad eller i fel kolumn. Talfel lämnar rutnätet intakt men ändrar vad en cell betyder, vilket är värre eftersom kalkylbladet ser bra ut. En felplacerad kolumn syns direkt; 1.234 som tolkas som decimaltal i stället för tusental syns inte.

Språkinställningar är den främsta orsaken till talproblem. USA och Storbritannien skriver 1,234.56; Tyskland, Brasilien och större delen av kontinentala Europa skriver 1.234,56; Frankrike använder mellanslag som tusentalsavgränsare; Schweiz använder ofta apostrof, som i 1'234.56; och Indien grupperar siffror som 1,23,456. Bokföringsdokument har dessutom negativa tal inom parentes och valutasymboler som sitter ihop med siffrorna. Här är vad du bör se upp med och vad som löser varje fall.

Varje minut du lägger på underlaget sparar flera i kalkylbladet. OCR-motorer är ofta anpassade för text som skannats med omkring 300 dpi, vilket för en A4- eller US Letter-sida motsvarar ungefär 2480 × 3508 px eller 2550 × 3300 px. En modern mobilkamera klarar det lätt om sidan fyller bilden, men ett foto av hela sidan taget från andra sidan skrivbordet och sedan beskuret till en liten tabell kan hamna långt under.

Kontrast är lika viktigt som upplösning. Kvitton på termopapper bleknar, grå tabelllinjer på grå bakgrund försvinner och en skugga från din mobil över sidan kan dela en kolumn på mitten. Om originalet är ett pappersdokument som du regelbundet ska extrahera från går guiden om att skanna dokument till PDF igenom ljus och skannerinställningar mer i detalj. Gå igenom den här listan innan du laddar upp.

Excels Data från bild kom till Android-appen 2019, därefter till iPhone, och finns nu i Excel för Microsoft 365 på Windows och Mac under Data > Från bild. Du fotograferar eller läser in en tabell, granskar de igenkända cellerna i en sidopanel som flaggar tveksamma värden och infogar dem. Google erbjuder en mer indirekt väg: i Drive högerklickar du på en bild eller PDF och väljer Öppna med > Google Dokument. Googles egen hjälpsida begränsar detta till filer på högst 2 MB och läser bara de första 10 sidorna i en PDF, och resultatet blir ett dokument, så tabellen kommer ofta som textrader som du sedan klistrar in i Kalkylark och delar upp.

Adobe Acrobat Pro exporterar en PDF till en Microsoft Excel-arbetsbok och kör OCR på skannade sidor under exporten. Excel för Microsoft 365 på Windows kan också hämta tabeller från en text-PDF med Hämta data > Från fil > Från PDF, vilket öppnar Power Query; där listas varje identifierad tabell per sida, du kan lägga ihop ett kontoutdrags månadssidor i en tabell och uppdatera när du byter in nästa månads fil. Det läser inte skanningar, och Excel för Mac har inte den kopplingen.

Webbläsarbaserade konverterare täcker resten utan att något behöver installeras. För en text-PDF eller skannad PDF gör PDF till Excel varje identifierad tabell till ett eget blad; för ett foto eller en skärmbild kan du konvertera bilden till Excel eller spara tabellen som CSV när ett annat program ska importera den. Tabellen jämför de fem vägarna.

En konverterad tabell som ser rätt ut är inte ännu en tabell du kan lita på. Börja med antalet rader: om kontoutdraget listar 47 transaktioner ska kalkylbladet ha 47 datarader, inte 46 för att två rader slagits ihop eller 49 för att en radbruten beskrivning blivit en egen rad. Summera sedan en numerisk kolumn med SUMMA och jämför med totalen som står på dokumentet. Om dokumentet saknar total kan du addera några värden för hand och jämföra.

Leta sedan efter celler som bara låtsas vara tal. I Excel högerjusteras riktiga tal som standard och text vänsterjusteras, så en kolumn med några vänsterjusterade belopp säger dig något; ISTAL i en hjälpkolumn hittar alla på en gång. Datum förtjänar samma misstänksamhet. Ett datum som lästs som text sorteras alfabetiskt, så 10/02 hamnar före 2/03, och 03/04 kan betyda 3 april eller 4 mars beroende på vem som skrev det.

Kontrollera slutligen vad som gått förlorat, inte bara vad som ändrats. Långa konto- och kortnummer är en klassisk fälla: Excel lagrar tal med 15 signifikanta siffror, så ett kortnummer med 16 siffror som skrivs in eller importeras som tal får sista siffran omvandlad till en nolla.

Välj XLSX när en person ska arbeta med data i Excel, Google Kalkylark eller Numbers. Formatet behåller flera tabeller på separata blad, riktiga tal- och datumtyper, fetstilta rubrikrader och sammanslagna celler. Välj CSV när programvara ska importera filen: budgetappar, bokföringsprogram, databaser och skript. CSV är ren text med en tabell per fil, beskrivet i RFC 4180 från 2005, och de tre inställningarna som spelar roll är avgränsare, teckenkodning och om tal sparas som tal.

Avgränsaren måste passa programmet som importerar; Excel i länder som skriver decimaler med komma förväntar sig semikolon. Teckenkodningen avgör om namn som Müller eller São Paulo klarar sig: UTF-8 med BOM är det som Excel för Windows läser rätt vid dubbelklick. Inledande nollor är den klassiska förlusten. Amerikanska postnummer som 02134, anställningsnummer och produktkoder är identifierare, inte kvantiteter, och blir 2134 så fort något behandlar dem som tal. Stäng av Spara tal som tal för tabeller full av ID-nummer, eller importera CSV-filen med de kolumnerna inställda på Text.

Att extrahera en tabell är ett enkelt uppslag; att extrahera ett års fakturor eller tolv månatliga kontoutdrag är ett litet dataprojekt. Behåll källdokumenten i samma layout om du kan, och konvertera dem i ett svep så att varje fil får samma inställningar. Med text-PDF kan du ladda upp upp till 20 åt gången, var och en på högst 95 MB, och välja Allt på ett blad i alternativet Blad när ett kontoutdrags transaktionstabell fortsätter över flera sidor. Foton konverteras en tabellbild i taget, så för en hög pappersfakturor går det ofta snabbare att först slå ihop sidorna med bild till PDF och sedan ange i PDF-sidor det intervall som innehåller tabellerna.

Efter en batch lägger du ihop resultaten i ett blad med en kolumn som anger källfilens namn. Om dokumenten mest är text med en eller två tabeller håller konvertering av PDF till Word i stället ihop styckena och tabellerna.

Kontoutdrag, lönespecifikationer och fakturor innehåller kontonummer, adresser och köphistorik, så tänk på vart de skickas. På UltKit raderas uppladdningar och genererade filer 30 minuter efter bearbetningen och läses inte av någon. Den säkraste kopian är ändå den som aldrig lämnar din dator: beskär eller dölj kolumner du inte behöver, till exempel fullständiga kontonummer, före uppladdning, och radera lokala exporter du inte längre behöver.