Jinsi ya kutoa jedwali kutoka picha na PDF kuwa Excel au CSV

Kabla ya kuchagua zana, jua ni aina gani ya jedwali ulilonalo, kwa sababu vyanzo vitatu vya kawaida hukwama kwa njia tofauti. Fungua PDF na ujaribu kuchagua namba moja kwa kielekezi. Namba ikichaguliwa yenyewe, faili ni PDF ya maandishi: kila herufi imehifadhiwa kama maandishi mahali halisi, na utoaji ni hasa kupanga herufi hizo katika safu mlalo na safu wima. Ukurasa mzima ukichaguliwa kama kipande kimoja, au hakuna kinachochaguliwa kabisa, una picha ya jedwali, na pikseli lazima zisomwe kwanza.

Hali ya tatu ni rahisi kuikosa. Ripoti nyingi kutoka mifumo ya zamani ya hesabu, programu za terminali na maandishi ya barua pepe zinaonekana kama majedwali lakini ni maandishi matupu yaliyopangwa kwa tab au nafasi nyingi. Hakuna seli kabisa, ni mpangilio wa herufi zenye upana sawa tu. Kuendesha OCR kwenye picha ya skrini ya maandishi hayo kunapoteza taarifa ambazo tayari unazo; kunakili maandishi na kuyagawa kuwa safu wima ni haraka na sahihi. Kadi zilizo hapa chini zinafupisha kila chanzo kinahitaji nini.

Utambuzi wa jedwali ni hatua ya pili inayofanyika baada ya herufi kujulikana. Kwanza hutafuta seli: kwenye majedwali yenye mistari hufuata mistari ya mlalo na wima na kuchukulia kila kisanduku kilichozungukwa kama seli; kwenye majedwali yasiyo na mistari hutafuta mianya wima ya nafasi tupu inayoenea urefu mzima wa kipande. Kisha hupanga safu wima, ikiamua kwamba namba iliyo pikseli chache kulia kwa ile ya juu yake bado ni ya safu wima ileile.

Inayofuata ni safu ya vichwa. Vitambuzi hutafuta safu ya kwanza iliyo na herufi nzito, kivuli, au maneno juu ya safu wima za namba, na huunganisha vichwa vinavyoendelea mistari miwili kuwa seli moja. Seli zilizounganishwa ni hatua ya mwisho: lebo kama Q1 inayovuka safu wima tatu za miezi hugunduliwa kutokana na mistari ya ndani inayokosekana na hujengwa kama seli iliyounganishwa au kunakiliwa kwenye kila safu wima inayofunika.

Hakuna kati ya haya ni ufahamu wa kusoma. Programu haijui kwamba safu wima ina tarehe au kwamba safu mlalo ni jumla ndogo; huona jiometri na herufi tu. Ndiyo maana zana ileile inaweza kuwa kamilifu kwenye taarifa moja na kuvuruga ya benki nyingine, na ndiyo maana mipangilio kama Mtindo wa jedwali na Tambua safu ya vichwa ipo: hupatia kitambuzi ukweli ambao hakiwezi kuukisia kwa uhakika.

Kushindwa kwingi huangukia makundi mawili. Hitilafu za jiometri huvunja gridi, hivyo thamani huangukia safu mlalo au safu wima isiyo sahihi. Hitilafu za namba huacha gridi salama lakini hubadilisha maana ya seli, jambo baya zaidi kwa sababu laha inaonekana sawa. Safu wima iliyohamishwa inaonekana mara moja; 1.234 kusomwa kama desimali badala ya elfu moja haionekani.

Mpangilio wa kieneo ndio chanzo kikuu cha matatizo ya namba. Marekani na Uingereza huandika 1,234.56; Ujerumani, Brazili na sehemu kubwa ya Ulaya bara huandika 1.234,56; Ufaransa hutumia nafasi kama kitenganishi cha maelfu; Uswisi mara nyingi hutumia kistari juu, kama 1'234.56; na India hupanga tarakimu kama 1,23,456. Hati za hesabu huongeza namba hasi kwenye mabano na alama za sarafu zilizoambatana na tarakimu. Hapa kuna cha kuangalia na kinachorekebisha kila hali.

Kila dakika inayotumika kwenye ingizo huokoa kadhaa kwenye lahajedwali. Injini za OCR kwa kawaida hurekebishwa kwa maandishi yaliyochanganuliwa kwa takriban 300 dpi, ambayo kwa ukurasa wa A4 au US Letter ni takriban 2480 × 3508 px au 2550 × 3300 px. Kamera ya simu ya kisasa huzidi hiyo kwa urahisi ukurasa ukijaza fremu, lakini picha ya ukurasa mzima iliyopigwa kutoka mbali ya meza kisha kukatwa hadi jedwali dogo inaweza kushuka chini sana.

Utofautishaji ni muhimu kama azimio. Risiti za karatasi ya joto hufifia, mistari ya kijivu ya jedwali kwenye mandharinyuma ya kijivu hupotea, na kivuli cha simu yako kwenye ukurasa kinaweza kukata safu wima nusu. Ikiwa asili ni hati ya karatasi utakayotoa mara kwa mara, mwongozo wa kuchanganua hati kuwa PDF unaeleza mwanga na mipangilio ya skana kwa undani zaidi. Kabla ya kupakia, pitia orodha hii.

Data from Picture ya Excel ilifika kwenye programu ya Android mwaka 2019, kisha iPhone, na sasa iko kwenye Excel ya Microsoft 365 kwa Windows na Mac chini ya Data > From Picture. Unapiga picha au kupakia jedwali moja, unakagua seli zilizotambuliwa kwenye paneli ya pembeni inayoonyesha thamani zenye shaka, kisha unaziingiza. Google hutoa njia isiyo ya moja kwa moja: kwenye Drive, bofya kulia picha au PDF na uchague Open with > Google Docs. Ukurasa wa msaada wa Google unaweka kikomo cha faili za 2 MB au chini na husoma kurasa 10 za kwanza tu za PDF, na matokeo ni hati, kwa hiyo jedwali mara nyingi hufika kama mistari ya maandishi unayobandika kwenye Sheets na kugawanya.

Adobe Acrobat Pro huuza PDF kuwa kitabu cha kazi cha Microsoft Excel na huendesha OCR kwenye kurasa zilizochanganuliwa wakati wa kuuza. Excel ya Microsoft 365 kwenye Windows pia inaweza kuvuta majedwali kutoka PDF ya maandishi kwa Get Data > From File > From PDF, ambayo hufungua Power Query; huorodhesha kila jedwali lililogunduliwa kwa ukurasa, hukuwezesha kuongeza kurasa za kila mwezi za taarifa kuwa jedwali moja na husasisha unapobadilisha faili ya mwezi ujao. Haisomi skani, na Excel ya Mac haina kiunganishi hicho.

Vibadilishaji vya kivinjari hushughulikia yaliyobaki bila kusakinisha chochote. Kwa PDF ya maandishi au iliyochanganuliwa, PDF kuwa Excel hugeuza kila jedwali lililogunduliwa kuwa laha yake; kwa picha au picha ya skrini, badilisha picha kuwa Excel au hifadhi jedwali kama CSV programu nyingine itakapoliingiza. Jedwali linalinganisha njia hizi tano.

Jedwali lililobadilishwa linaloonekana sawa bado si jedwali unaloweza kulitegemea. Anza na idadi ya safu mlalo: taarifa ikiorodhesha miamala 47, laha inapaswa kuwa na safu mlalo 47 za data, si 46 kwa sababu mistari miwili iliungana wala 49 kwa sababu maelezo yaliyoendelea mstari mwingine yakawa safu mlalo yake. Kisha jumlisha safu wima moja ya namba kwa SUM na ilinganishe na jumla iliyochapishwa kwenye hati. Hati ikiwa haina jumla, jumlisha thamani chache kwa mkono na ulinganishe.

Kisha tafuta seli zinazojifanya kuwa namba. Kwenye Excel, namba halisi hujipanga kulia kwa chaguo-msingi na maandishi kushoto, kwa hiyo safu wima yenye kiasi kadhaa kilichopangwa kushoto inakuambia jambo; ISNUMBER kwenye safu wima msaidizi huzipata zote mara moja. Tarehe zinastahili shaka ileile. Tarehe iliyosomwa kama maandishi hupangwa kialfabeti, hivyo 10/02 huja kabla ya 2/03, na 03/04 inaweza kumaanisha 3 Aprili au 4 Machi kulingana na aliyeandika.

Mwishowe, kagua kilichopotea badala ya kilichobadilishwa. Namba ndefu za akaunti na kadi ni mtego wa kawaida: Excel huhifadhi namba kwa tarakimu 15 muhimu, kwa hiyo namba ya kadi ya tarakimu 16 iliyoandikwa au kuingizwa kama namba hubadilishwa tarakimu yake ya mwisho kuwa sifuri.

Chagua XLSX mtu atakapofanya kazi na data kwenye Excel, Google Sheets au Numbers. Huhifadhi majedwali kadhaa kwenye laha tofauti, aina halisi za namba na tarehe, safu za vichwa nzito na seli zilizounganishwa. Chagua CSV programu itakapoiingiza: programu za bajeti, vifurushi vya hesabu, hifadhidata na hati za msimbo. CSV ni maandishi matupu yenye jedwali moja kwa faili, iliyoelezwa katika RFC 4180 ya mwaka 2005, na mipangilio mitatu muhimu ni kitenganishi, usimbaji na kama namba zimehifadhiwa kama namba.

Kitenganishi lazima kilingane na programu inayoingiza; Excel katika nchi zinazoandika desimali kwa koma inatarajia nusu koloni. Usimbaji huamua kama majina kama Müller au São Paulo yanasalimika: UTF-8 yenye BOM ndiyo Excel ya Windows husoma vizuri kwa kubofya mara mbili. Sifuri za mwanzo ndizo hasara ya kawaida. Misimbo ya ZIP ya Marekani kama 02134, vitambulisho vya wafanyakazi na misimbo ya bidhaa ni vitambulisho, si kiasi, na huwa 2134 mara tu kitu chochote kinapovichukulia kama namba. Zima Hifadhi namba kama namba kwa majedwali yaliyojaa vitambulisho, au ingiza CSV ukiweka safu wima hizo kuwa Text.

Kutoa jedwali moja ni kutafuta tu; kutoa ankara za mwaka mzima au taarifa kumi na mbili za benki za kila mwezi ni mradi mdogo wa data. Weka hati chanzo katika mpangilio uleule inapowezekana, na zibadilishe kwa mkupuo mmoja ili kila faili ipate mipangilio ileile. Kwa PDF za maandishi, pakia hadi 20 kwa wakati mmoja, kila moja hadi 95 MB, na uchague Kila kitu kwenye karatasi moja kwenye chaguo la Laha jedwali la miamala la taarifa linapoendelea kurasa kadhaa. Picha hubadilishwa jedwali moja kwa wakati, kwa hiyo kwa rundo la ankara za karatasi mara nyingi ni haraka kuunganisha kurasa kwanza kwa picha kuwa PDF na kuelekeza Kurasa za PDF kwenye masafa yenye majedwali.

Baada ya kundi, ongeza matokeo kwenye laha moja yenye safu wima inayorekodi jina la faili chanzo. Ikiwa hati nyingi ni maandishi yenye jedwali moja au mawili, kubadilisha PDF kuwa Word huweka aya na majedwali pamoja badala yake.

Taarifa za benki, hati za mshahara na ankara hubeba namba za akaunti, anwani na historia ya matumizi, kwa hiyo fikiria zinakoenda. Kwenye UltKit, faili zilizopakiwa na zilizotengenezwa hufutwa dakika 30 baada ya kuchakatwa na hazisomwi na mtu yeyote. Hata hivyo, nakala salama zaidi ni ile isiyoondoka kwenye kompyuta yako: kata au ficha safu wima usizohitaji, kama namba kamili za akaunti, kabla ya kupakia, na ufute mauzo ya ndani usiyohitaji tena.