ఇమేజ్, PDF నుండి టేబుల్‌ను Excel లేదా CSVగా తీయడం | UltKit

టూల్‌ను ఎంచుకునే ముందు మీ దగ్గర ఎలాంటి టేబుల్ ఉందో తెలుసుకోండి, ఎందుకంటే మూడు సాధారణ సోర్స్‌లు వేర్వేరు విధాలుగా విఫలమవుతాయి. PDFని తెరిచి కర్సర్‌తో ఒక సంఖ్యను ఎంచుకోడానికి ప్రయత్నించండి. సంఖ్య విడిగా హైలైట్ అయితే అది టెక్స్ట్ PDF: ప్రతి అక్షరం ఖచ్చితమైన స్థానంలో టెక్స్ట్‌గా నిల్వ అవుతుంది, ఎక్స్‌ట్రాక్షన్ అంటే ప్రధానంగా ఆ అక్షరాలను వరుసలు, కాలమ్‌లుగా సమూహపరచడమే. మొత్తం పేజీ ఒకే బ్లాక్‌గా హైలైట్ అయినా, ఏమీ హైలైట్ కాకపోయినా, మీ దగ్గర టేబుల్ చిత్రం ఉన్నట్లే; ముందుగా పిక్సెల్స్‌ను చదవాలి.

మూడో సందర్భాన్ని సులభంగా గమనించలేరు. పాత అకౌంటింగ్ సిస్టమ్‌లు, టెర్మినల్ ప్రోగ్రామ్‌లు, ఇమెయిల్ బాడీల నుండి వచ్చిన చాలా రిపోర్టులు టేబుల్‌లా కనిపిస్తాయి కానీ అవి ట్యాబ్‌లు లేదా ఖాళీలతో అమర్చిన సాధారణ టెక్స్ట్. అసలు సెల్‌లే ఉండవు, మోనోస్పేస్డ్ లేఅవుట్ మాత్రమే. అలాంటి టెక్స్ట్ స్క్రీన్‌షాట్‌పై OCR నడపడం మీ దగ్గరున్న సమాచారాన్ని పోగొట్టుకోవడమే; టెక్స్ట్‌ను కాపీ చేసి కాలమ్‌లుగా విభజించడం వేగంగా, ఖచ్చితంగా ఉంటుంది. ప్రతి సోర్స్‌కు ఏం కావాలో కింది కార్డులు సంక్షిప్తంగా చెబుతాయి.

టేబుల్ రికగ్నిషన్ అనేది అక్షరాలు తెలిసిన తర్వాత నడిచే రెండో దశ. మొదట సెల్‌లను కనుగొంటుంది: గీతలున్న టేబుల్‌లలో అడ్డం, నిలువు గీతలను గుర్తించి, చుట్టబడిన ప్రతి పెట్టెను సెల్‌గా తీసుకుంటుంది; అంచులు లేని టేబుల్‌లలో బ్లాక్ మొత్తం ఎత్తున సాగే ఖాళీ నిలువు గ్యాప్‌లను వెతుకుతుంది. తర్వాత కాలమ్‌లను సర్దుతుంది: పైన ఉన్న సంఖ్యకు కొన్ని పిక్సెల్స్ కుడివైపున ఉన్న సంఖ్య కూడా అదే కాలమ్‌కు చెందినదని నిర్ణయిస్తుంది.

తర్వాత హెడర్ వరుస వస్తుంది. బోల్డ్‌గా, షేడ్ చేసి లేదా సంఖ్యల కాలమ్‌ల పైన పదాలతో ఉన్న మొదటి వరుసను రికగ్నైజర్లు వెతుకుతాయి, రెండు లైన్లుగా చుట్టిన హెడర్‌లను ఒకే సెల్‌గా కలుపుతాయి. చివరి దశ మెర్జ్ అయిన సెల్‌లు: మూడు నెలల కాలమ్‌లపై విస్తరించిన Q1 వంటి లేబుల్‌ను లోపలి గీతలు లేకపోవడం ద్వారా గుర్తించి, మెర్జ్ సెల్‌గా పునర్నిర్మిస్తుంది లేదా అది కవర్ చేసే ప్రతి కాలమ్‌లోకి కాపీ చేస్తుంది.

ఇందులో ఏదీ అర్థం చేసుకోవడం కాదు. ఒక కాలమ్‌లో తేదీలున్నాయని, ఒక వరుస సబ్‌టోటల్ అని సాఫ్ట్‌వేర్‌కు తెలియదు; అది జ్యామితి, అక్షరాలను మాత్రమే చూస్తుంది. అందుకే ఒకే టూల్ ఒక స్టేట్‌మెంట్‌లో తప్పులేకుండా పనిచేసి, మరో బ్యాంక్ స్టేట్‌మెంట్‌ను గందరగోళం చేయవచ్చు, మరియు టేబుల్ శైలి, హెడర్ వరుసను గుర్తించండి వంటి సెట్టింగ్‌లు ఉన్నాయి: రికగ్నైజర్ నమ్మకంగా ఊహించలేని విషయాన్ని అవి అందిస్తాయి.

చాలా వైఫల్యాలు రెండు గుంపులలోకి వస్తాయి. జ్యామితి వైఫల్యాలు గ్రిడ్‌ను చెడగొడతాయి, విలువలు తప్పు వరుస లేదా కాలమ్‌లోకి వెళ్తాయి. సంఖ్యల వైఫల్యాలు గ్రిడ్‌ను అలాగే ఉంచి సెల్ అర్థాన్ని మారుస్తాయి; షీట్ బాగానే కనిపిస్తుంది కాబట్టి ఇది మరింత ప్రమాదకరం. తప్పు కాలమ్ ఒక్క చూపులో తెలుస్తుంది; 1.234ను వెయ్యిగా కాకుండా దశాంశంగా చదవడం తెలియదు.

సంఖ్యల సమస్యలకు ప్రధాన కారణం లొకేల్. అమెరికా, బ్రిటన్‌లు 1,234.56 అని రాస్తాయి; జర్మనీ, బ్రెజిల్, ఖండాంతర యూరప్‌లో చాలావరకు 1.234,56; ఫ్రాన్స్ వెయ్యి విభాజకంగా ఖాళీని వాడుతుంది; స్విట్జర్లాండ్ తరచుగా 1'234.56 వలె అపాస్ట్రఫీ వాడుతుంది; భారతదేశంలో అంకెలు 1,23,456గా సమూహం అవుతాయి. అకౌంటింగ్ డాక్యుమెంట్లలో బ్రాకెట్లలో రుణాత్మక సంఖ్యలు, అంకెలకు అంటుకున్న కరెన్సీ చిహ్నాలు ఉంటాయి. దేనిపై శ్రద్ధ పెట్టాలో, ఏది ఎలా సరిచేస్తుందో ఇక్కడ ఉంది.

ఇన్‌పుట్‌పై వెచ్చించిన ప్రతి నిమిషం స్ప్రెడ్‌షీట్‌లో అనేక నిమిషాలు ఆదా చేస్తుంది. OCR ఇంజిన్లు సాధారణంగా సుమారు 300 dpiలో స్కాన్ చేసిన టెక్స్ట్‌కు ట్యూన్ అవుతాయి; A4 లేదా US Letter పేజీకి ఇది సుమారు 2480 × 3508 px లేదా 2550 × 3300 px. పేజీ ఫ్రేమ్‌ను నింపితే ఆధునిక ఫోన్ కెమెరా దీన్ని సులభంగా మించిపోతుంది, కానీ డెస్క్ అవతలి నుండి తీసిన పూర్తి పేజీ ఫోటోను చిన్న టేబుల్‌కు క్రాప్ చేస్తే అది చాలా తక్కువకు పడిపోవచ్చు.

రిజల్యూషన్‌తో సమానంగా కాంట్రాస్ట్ కూడా ముఖ్యం. థర్మల్ పేపర్ రసీదులు మసకబారతాయి, బూడిద నేపథ్యంపై బూడిద టేబుల్ గీతలు కనిపించవు, పేజీపై ఫోన్ నీడ ఒక కాలమ్‌ను సగానికి కోసేయవచ్చు. మీరు తరచూ కాగితపు డాక్యుమెంట్ నుండి తీస్తుంటే, డాక్యుమెంట్‌లను PDFకి స్కాన్ చేయడం గైడ్ వెలుతురు, స్కానర్ సెట్టింగ్‌లను వివరంగా చెబుతుంది. అప్‌లోడ్ చేసే ముందు ఈ జాబితాను చూసుకోండి.

Excel యొక్క Data from Picture 2019లో Android యాప్‌లో వచ్చింది, తర్వాత iPhoneలో వచ్చింది, ఇప్పుడు Windows, Mac లలోని Microsoft 365 Excelలో Data > From Picture కింద ఉంది. ఒక టేబుల్‌ను ఫోటో తీయండి లేదా లోడ్ చేయండి, సందేహాస్పద విలువలను చూపే సైడ్ ప్యానెల్‌లో గుర్తించిన సెల్‌లను సమీక్షించి, ఆపై చేర్చండి. Google ఇచ్చేది కొంత పరోక్ష మార్గం: Driveలో ఇమేజ్ లేదా PDFపై రైట్-క్లిక్ చేసి Open with > Google Docs ఎంచుకోండి. Google సహాయ పేజీ ప్రకారం ఇది 2 MB లేదా అంతకంటే తక్కువ ఫైళ్లకే పరిమితం, PDFలో మొదటి 10 పేజీలను మాత్రమే చదువుతుంది, ఫలితం డాక్యుమెంట్ కాబట్టి టేబుల్ తరచుగా టెక్స్ట్ లైన్లుగా వస్తుంది; వాటిని Sheetsలో పేస్ట్ చేసి విడగొట్టాలి.

Adobe Acrobat Pro PDFని Microsoft Excel వర్క్‌బుక్‌గా ఎగుమతి చేస్తుంది, ఎగుమతి సమయంలో స్కాన్ చేసిన పేజీలపై OCR నడుపుతుంది. Windowsలోని Microsoft 365 Excel కూడా Get Data > From File > From PDF ద్వారా టెక్స్ట్ PDF నుండి టేబుల్స్ తీసుకోగలదు; ఇది Power Queryని తెరుస్తుంది, గుర్తించిన ప్రతి టేబుల్‌ను పేజీ వారీగా చూపుతుంది, స్టేట్‌మెంట్ నెలవారీ పేజీలను ఒకే టేబుల్‌గా జోడించనిస్తుంది, వచ్చే నెల ఫైల్ మార్చినప్పుడు రిఫ్రెష్ అవుతుంది. ఇది స్కాన్‌లను చదవదు, Mac Excelలో ఈ కనెక్టర్ లేదు.

ఏమీ ఇన్‌స్టాల్ చేయకుండానే మిగతా అవసరాలను బ్రౌజర్ కన్వర్టర్లు తీరుస్తాయి. టెక్స్ట్ లేదా స్కాన్ PDF కోసం PDF నుండి Excel గుర్తించిన ప్రతి టేబుల్‌ను విడి షీట్‌గా చేస్తుంది; ఫోటో లేదా స్క్రీన్‌షాట్ కోసం ఇమేజ్‌ను Excelగా మార్చండి, లేదా మరో ప్రోగ్రామ్ దిగుమతి చేసుకునేటప్పుడు టేబుల్‌ను CSVగా సేవ్ చేయండి. ఐదు మార్గాలను పట్టిక పోలుస్తుంది.

సరిగ్గా కనిపించే మార్చిన టేబుల్ ఇంకా నమ్మదగిన టేబుల్ కాదు. వరుసల సంఖ్యతో మొదలుపెట్టండి: స్టేట్‌మెంట్‌లో 47 లావాదేవీలు ఉంటే, షీట్‌లో 47 డేటా వరుసలు ఉండాలి; రెండు లైన్లు కలిసిపోయి 46 కావడం, లేదా చుట్టుకున్న వివరణ విడి వరుస అయి 49 కావడం ఉండకూడదు. తర్వాత ఒక సంఖ్యా కాలమ్‌ను SUMతో కూడి, డాక్యుమెంట్‌లో ముద్రించిన మొత్తంతో పోల్చండి. డాక్యుమెంట్‌లో మొత్తం లేకపోతే కొన్ని విలువలను చేతితో కూడి పోల్చండి.

తర్వాత, సంఖ్యలుగా నటించే సెల్‌లను వెతకండి. Excelలో నిజమైన సంఖ్యలు డిఫాల్ట్‌గా కుడివైపు, టెక్స్ట్ ఎడమవైపు అమరతాయి, కాబట్టి కొన్ని మొత్తాలు ఎడమవైపు ఉంటే అది సంకేతమే; సహాయక కాలమ్‌లో ISNUMBER వాటన్నింటినీ ఒకేసారి కనుగొంటుంది. తేదీలపైనా ఇదే అనుమానం ఉండాలి. టెక్స్ట్‌గా చదివిన తేదీ అక్షరక్రమంలో సార్ట్ అవుతుంది, కాబట్టి 10/02 అనేది 2/03 కంటే ముందు వస్తుంది, 03/04 అంటే రాసినవారిని బట్టి 3 ఏప్రిల్ లేదా మార్చి 4 కావచ్చు.

చివరగా, ఏది మారిందో కాదు, ఏది పోయిందో చూడండి. పొడవైన ఖాతా, కార్డ్ నంబర్లు క్లాసిక్ ఉచ్చు: Excel సంఖ్యలను 15 ముఖ్య అంకెలతో నిల్వ చేస్తుంది, కాబట్టి సంఖ్యగా టైప్ చేసిన లేదా దిగుమతి చేసిన 16 అంకెల కార్డ్ నంబర్‌లో చివరి అంకె సున్నా అవుతుంది.

Excel, Google Sheets లేదా Numbersలో ఒక వ్యక్తి డేటాతో పని చేస్తే XLSX ఎంచుకోండి. ఇది అనేక టేబుల్స్‌ను విడి షీట్లలో, నిజమైన సంఖ్య, తేదీ రకాలు, బోల్డ్ హెడర్ వరుసలు, విలీన సెల్‌లతో ఉంచుతుంది. సాఫ్ట్‌వేర్ దిగుమతి చేసుకుంటే CSV ఎంచుకోండి: బడ్జెట్ యాప్‌లు, అకౌంటింగ్ ప్యాకేజీలు, డేటాబేస్‌లు, స్క్రిప్ట్‌లు. CSV అనేది ఒక్కో ఫైల్‌కు ఒక టేబుల్ ఉండే సాదా టెక్స్ట్, 2005 నాటి RFC 4180లో వివరించారు; ముఖ్యమైన మూడు సెట్టింగ్‌లు డీలిమిటర్, ఎన్‌కోడింగ్, సంఖ్యలను సంఖ్యలుగా నిల్వ చేయడమా కాదా అనేవి.

డీలిమిటర్ దిగుమతి చేసుకునే ప్రోగ్రామ్‌కు సరిపోవాలి; దశాంశాలను కామాతో రాసే దేశాల్లో Excel సెమీకోలన్‌లను ఆశిస్తుంది. Müller, São Paulo వంటి పేర్లు సరిగ్గా ఉంటాయా అనేది ఎన్‌కోడింగ్ నిర్ణయిస్తుంది: డబుల్ క్లిక్‌తో Windows Excel సరిగ్గా చదివేది BOMతో UTF-8. ప్రారంభ సున్నాలు పోవడం క్లాసిక్ నష్టం. 02134 వంటి US ZIP కోడ్‌లు, ఉద్యోగి IDలు, ఉత్పత్తి కోడ్‌లు పరిమాణాలు కావు, గుర్తింపు సంఖ్యలు; ఏదైనా వాటిని సంఖ్యలుగా పరిగణించగానే 2134 అవుతాయి. IDలు నిండిన టేబుల్స్ కోసం సంఖ్యలను సంఖ్యలుగానే భద్రపరచండి ఆఫ్ చేయండి, లేదా ఆ కాలమ్‌లను Textగా సెట్ చేసి CSVని దిగుమతి చేయండి.

ఒక టేబుల్ తీయడం ఒక లుకప్; ఏడాది ఇన్‌వాయిస్‌లు లేదా పన్నెండు నెలల బ్యాంక్ స్టేట్‌మెంట్లు తీయడం చిన్న డేటా ప్రాజెక్ట్. వీలైతే సోర్స్ డాక్యుమెంట్లను ఒకే లేఅవుట్‌లో ఉంచి, ప్రతి ఫైల్‌కు ఒకే సెట్టింగ్‌లు రావడానికి ఒకేసారి మార్చండి. టెక్స్ట్ PDFలతో ఒకేసారి 20 వరకు, ఒక్కొక్కటి 95 MB వరకు అప్‌లోడ్ చేయండి; స్టేట్‌మెంట్ లావాదేవీ టేబుల్ అనేక పేజీలకు కొనసాగితే షీట్లు ఎంపికలో అన్నీ ఒకే షీట్‌లో ఎంచుకోండి. ఫోటోలు ఒకేసారి ఒక టేబుల్ ఇమేజ్‌ను మారుస్తాయి, కాబట్టి కాగితపు ఇన్‌వాయిస్‌ల కట్టకు ముందుగా ఇమేజ్ నుండి PDFతో పేజీలను కలిపి, PDF పేజీలును టేబుల్స్ ఉన్న పరిధికి సెట్ చేయడం తరచుగా వేగంగా ఉంటుంది.

బ్యాచ్ తర్వాత ఫలితాలను ఒకే షీట్‌లో కలపండి, సోర్స్ ఫైల్ పేరును నమోదు చేసే కాలమ్‌తో. డాక్యుమెంట్లు ఎక్కువగా టెక్స్ట్ అయి ఒకటి రెండు టేబుల్స్ మాత్రమే ఉంటే, PDFని Wordగా మార్చడం పేరాగ్రాఫ్‌లను, టేబుల్స్‌ను కలిపి ఉంచుతుంది.

బ్యాంక్ స్టేట్‌మెంట్లు, పేస్లిప్‌లు, ఇన్‌వాయిస్‌లలో ఖాతా నంబర్లు, చిరునామాలు, ఖర్చుల చరిత్ర ఉంటాయి, కాబట్టి అవి ఎక్కడికి వెళ్తాయో ఆలోచించండి. UltKitలో అప్‌లోడ్‌లు, రూపొందిన ఫైళ్లు ప్రాసెసింగ్ తర్వాత 30 నిమిషాలకు తొలగించబడతాయి, ఎవరూ చదవరు. అయినా అత్యంత సురక్షితమైన కాపీ మీ కంప్యూటర్ దాటి వెళ్లనిదే: అప్‌లోడ్‌కు ముందు పూర్తి ఖాతా నంబర్లు వంటి అనవసర కాలమ్‌లను క్రాప్ చేయండి లేదా దాచండి, అవసరం లేని స్థానిక ఎగుమతులను తొలగించండి.