วิธีดึงตารางจากรูปและ PDF เป็น Excel หรือ CSV

ก่อนเลือกเครื่องมือ ให้ดูก่อนว่าตารางของคุณเป็นแบบไหน เพราะต้นฉบับทั้งสามแบบที่พบบ่อยมีปัญหาต่างกัน ลองเปิด PDF แล้วใช้เคอร์เซอร์เลือกตัวเลขตัวเดียว หากตัวเลขถูกไฮไลต์เฉพาะตัว แสดงว่าเป็น PDF แบบข้อความ ทุกตัวอักษรถูกเก็บเป็นข้อความในตำแหน่งที่แน่นอน การดึงข้อมูลจึงเป็นเพียงการจัดกลุ่มตัวอักษรเป็นแถวและคอลัมน์ แต่ถ้าทั้งหน้าถูกไฮไลต์เป็นก้อนเดียว หรือไม่ไฮไลต์เลย แสดงว่าคุณถืออยู่คือรูปภาพของตาราง และต้องมีการอ่านพิกเซลก่อน

กรณีที่สามมักถูกมองข้าม รายงานจำนวนมากที่ส่งออกจากระบบบัญชีรุ่นเก่า โปรแกรมเทอร์มินัล และเนื้อหาอีเมล ดูเหมือนตารางแต่จริง ๆ เป็นข้อความธรรมดาที่จัดแนวด้วยแท็บหรือช่องว่างหลายตัว ไม่มีเซลล์เลย มีเพียงเลย์เอาต์แบบฟอนต์ความกว้างคงที่ การรัน OCR บนภาพหน้าจอของข้อความแบบนี้ทำให้ข้อมูลที่มีอยู่แล้วสูญเสียไป การคัดลอกข้อความแล้วแบ่งเป็นคอลัมน์เร็วกว่าและแม่นยำ การ์ดด้านล่างสรุปสิ่งที่ต้นฉบับแต่ละแบบต้องการ

การจดจำตารางเป็นขั้นตอนที่สองที่ทำหลังจากรู้ตัวอักษรแล้ว ขั้นแรกจะหาเซลล์ สำหรับตารางที่มีเส้น จะไล่ตามเส้นแนวนอนและแนวตั้ง และถือว่าแต่ละช่องที่ล้อมไว้เป็นหนึ่งเซลล์ สำหรับตารางไม่มีเส้น จะหาช่องว่างแนวตั้งที่ยาวตลอดความสูงของบล็อก จากนั้นจึงจัดแนวคอลัมน์ โดยตัดสินว่าตัวเลขที่อยู่ไปทางขวาของตัวเลขด้านบนไม่กี่พิกเซลยังเป็นคอลัมน์เดียวกัน

ถัดมาคือแถวหัวตาราง ตัวจดจำจะหาแถวแรกที่เป็นตัวหนา มีสีพื้น หรือเป็นข้อความเหนือคอลัมน์ตัวเลข และรวมหัวตารางที่ขึ้นสองบรรทัดให้เป็นเซลล์เดียว ขั้นสุดท้ายคือเซลล์ที่ผสานกัน เช่น ป้าย Q1 ที่คลุมสามคอลัมน์เดือน จะตรวจพบจากเส้นภายในที่หายไป แล้วสร้างเป็นเซลล์ผสานหรือคัดลอกไปไว้ในทุกคอลัมน์ที่ครอบคลุม

ทั้งหมดนี้ไม่ใช่การเข้าใจเนื้อหา ซอฟต์แวร์ไม่รู้ว่าคอลัมน์ไหนเป็นวันที่หรือแถวไหนเป็นยอดรวมย่อย เห็นเพียงรูปทรงและตัวอักษร ด้วยเหตุนี้เครื่องมือเดียวกันจึงทำได้สมบูรณ์กับใบแจ้งยอดใบหนึ่ง แต่ทำใบถัดไปจากอีกธนาคารเละได้ และเป็นเหตุผลที่มีตัวเลือกอย่าง รูปแบบตาราง และ ตรวจหาแถวหัวตาราง เพราะเป็นข้อเท็จจริงที่ตัวจดจำไม่อาจเดาได้อย่างแม่นยำ

ความล้มเหลวส่วนใหญ่แบ่งเป็นสองกลุ่ม ความผิดพลาดด้านเรขาคณิตทำให้ตารางเสีย ค่าไปอยู่ผิดแถวหรือผิดคอลัมน์ ส่วนความผิดพลาดด้านตัวเลขทำให้ตารางยังอยู่ครบแต่ความหมายของเซลล์เปลี่ยน ซึ่งแย่กว่าเพราะชีตดูปกติ คอลัมน์ที่เลื่อนผิดที่เห็นได้ทันที แต่ 1.234 ที่ถูกอ่านเป็นทศนิยมแทนที่จะเป็นหนึ่งพันสองร้อยสามสิบสี่ไม่เห็นง่าย ๆ

รูปแบบตัวเลขตามท้องถิ่นเป็นต้นเหตุหลักของปัญหาตัวเลข สหรัฐอเมริกาและสหราชอาณาจักรเขียน 1,234.56 เยอรมนี บราซิล และยุโรปส่วนใหญ่เขียน 1.234,56 ฝรั่งเศสใช้ช่องว่างเป็นตัวคั่นหลักพัน สวิตเซอร์แลนด์มักใช้อะพอสทรอฟี เช่น 1'234.56 และอินเดียจัดกลุ่มหลักเป็น 1,23,456 เอกสารทางบัญชียังใส่ตัวเลขติดลบในวงเล็บและสัญลักษณ์สกุลเงินติดกับตัวเลข ต่อไปนี้คือสิ่งที่ต้องระวังและวิธีแก้แต่ละกรณี

ทุกนาทีที่ใช้เตรียมต้นฉบับช่วยประหยัดเวลาในสเปรดชีตได้หลายนาที เอนจิน OCR มักปรับมาสำหรับข้อความที่สแกนราว 300 dpi ซึ่งสำหรับหน้า A4 หรือ US Letter เท่ากับประมาณ 2480 × 3508 px หรือ 2550 × 3300 px กล้องมือถือรุ่นใหม่ทำได้เกินนี้ง่าย ๆ หากหน้ากระดาษเต็มเฟรม แต่ถ้าถ่ายทั้งหน้าจากระยะไกลบนโต๊ะแล้วครอปเหลือตารางเล็ก ๆ ความละเอียดอาจต่ำกว่านี้มาก

ความคมชัดของคอนทราสต์สำคัญไม่แพ้ความละเอียด ใบเสร็จกระดาษความร้อนจะซีด เส้นตารางสีเทาบนพื้นสีเทาจะหายไป และเงาของโทรศัพท์ที่พาดบนหน้ากระดาษอาจตัดคอลัมน์ขาดครึ่ง หากต้นฉบับเป็นเอกสารกระดาษที่คุณต้องดึงข้อมูลเป็นประจำ คู่มือสแกนเอกสารเป็น PDF อธิบายเรื่องแสงและการตั้งค่าสแกนเนอร์ไว้ละเอียดกว่า ก่อนอัปโหลดให้ตรวจตามรายการนี้

ฟีเจอร์ Data from Picture ของ Excel เปิดตัวในแอป Android เมื่อปี 2019 ต่อมามาถึง iPhone และตอนนี้มีใน Excel สำหรับ Microsoft 365 บน Windows และ Mac ที่เมนู Data > From Picture คุณถ่ายภาพหรือโหลดตารางหนึ่งตาราง ตรวจเซลล์ที่รู้จำได้ในแผงด้านข้างซึ่งจะแจ้งค่าที่น่าสงสัย แล้วจึงแทรกลงชีต ส่วน Google มีวิธีที่อ้อมกว่า คือใน Drive ให้คลิกขวาที่รูปหรือ PDF แล้วเลือก Open with > Google Docs หน้าวิธีใช้ของ Google เองจำกัดไฟล์ไม่เกิน 2 MB และอ่านเพียง 10 หน้าแรกของ PDF อีกทั้งผลลัพธ์เป็นเอกสาร ตารางจึงมักออกมาเป็นบรรทัดข้อความที่ต้องวางลง Sheets แล้วแยกคอลัมน์เอง

Adobe Acrobat Pro ส่งออก PDF เป็นเวิร์กบุ๊ก Microsoft Excel และทำ OCR กับหน้าสแกนระหว่างส่งออก นอกจากนี้ Excel สำหรับ Microsoft 365 บน Windows ยังดึงตารางจาก PDF ที่เป็นข้อความได้ด้วย Get Data > From File > From PDF ซึ่งจะเปิด Power Query โดยแสดงรายการทุกตารางที่ตรวจพบแยกตามหน้า รวมหน้ารายเดือนของใบแจ้งยอดเป็นตารางเดียวได้ และรีเฟรชได้เมื่อเปลี่ยนเป็นไฟล์เดือนถัดไป แต่ไม่อ่านไฟล์สแกน และ Excel สำหรับ Mac ไม่มีตัวเชื่อมต่อนี้

ตัวแปลงบนเบราว์เซอร์ครอบคลุมกรณีที่เหลือโดยไม่ต้องติดตั้งอะไร สำหรับ PDF ที่เป็นข้อความหรือสแกน PDF เป็น Excel จะแปลงทุกตารางที่ตรวจพบเป็นชีตแยกกัน ส่วนรูปถ่ายหรือภาพหน้าจอ ให้ แปลงรูปเป็น Excel หรือ บันทึกตารางเป็น CSV เมื่อโปรแกรมอื่นจะนำเข้าข้อมูล ตารางด้านล่างเปรียบเทียบทั้งห้าวิธี

ตารางที่แปลงแล้วดูถูกต้อง ไม่ได้แปลว่าเชื่อถือได้ ให้เริ่มจากจำนวนแถว หากใบแจ้งยอดมี 47 รายการ ชีตก็ควรมีแถวข้อมูล 47 แถว ไม่ใช่ 46 เพราะสองบรรทัดรวมกัน หรือ 49 เพราะคำอธิบายที่ขึ้นบรรทัดใหม่กลายเป็นแถวของตัวเอง จากนั้นรวมคอลัมน์ตัวเลขหนึ่งคอลัมน์ด้วย SUM แล้วเทียบกับยอดรวมที่พิมพ์ในเอกสาร หากเอกสารไม่มียอดรวม ให้บวกค่าสองสามค่าด้วยมือแล้วเทียบ

ถัดมา ให้มองหาเซลล์ที่แกล้งเป็นตัวเลข ใน Excel ตัวเลขจริงจะชิดขวาโดยค่าเริ่มต้น ส่วนข้อความจะชิดซ้าย ดังนั้นคอลัมน์ที่มีจำนวนเงินบางค่าชิดซ้ายกำลังบอกอะไรบางอย่างอยู่ การใช้ ISNUMBER ในคอลัมน์ช่วยจะหาค่าเหล่านั้นได้ทั้งหมดในครั้งเดียว วันที่ก็ควรสงสัยเช่นกัน วันที่ที่ถูกอ่านเป็นข้อความจะเรียงตามตัวอักษร ทำให้ 10/02 มาก่อน 2/03 และ 03/04 อาจหมายถึง 3 เมษายน หรือ 4 มีนาคม ขึ้นอยู่กับผู้เขียน

สุดท้าย ให้ตรวจสิ่งที่หายไป ไม่ใช่แค่สิ่งที่เปลี่ยนไป หมายเลขบัญชีและบัตรที่ยาวเป็นกับดักคลาสสิก Excel เก็บตัวเลขได้ 15 หลักนัยสำคัญ หมายเลขบัตร 16 หลักที่พิมพ์หรือนำเข้าเป็นตัวเลขจึงถูกเปลี่ยนหลักสุดท้ายเป็นศูนย์

เลือก XLSX เมื่อมีคนนำข้อมูลไปใช้ใน Excel, Google Sheets หรือ Numbers เพราะเก็บหลายตารางไว้คนละชีต เก็บชนิดตัวเลขและวันที่จริง แถวหัวตารางตัวหนา และเซลล์ที่ผสานไว้ได้ เลือก CSV เมื่อซอฟต์แวร์จะนำเข้าข้อมูล เช่น แอปจัดงบ โปรแกรมบัญชี ฐานข้อมูล และสคริปต์ CSV เป็นข้อความธรรมดา หนึ่งตารางต่อไฟล์ ตามที่อธิบายใน RFC 4180 ปี 2005 และการตั้งค่าสามอย่างที่สำคัญคือตัวคั่น การเข้ารหัส และการเก็บตัวเลขเป็นตัวเลขหรือไม่

ตัวคั่นต้องตรงกับโปรแกรมที่นำเข้า Excel ในประเทศที่ใช้จุลภาคเป็นทศนิยมจะคาดหวังเครื่องหมายอัฒภาค การเข้ารหัสเป็นตัวกำหนดว่าชื่ออย่าง Müller หรือ São Paulo จะรอดหรือไม่ โดย UTF-8 แบบมี BOM คือแบบที่ Excel สำหรับ Windows อ่านได้ถูกต้องเมื่อดับเบิลคลิก ส่วนเลขศูนย์นำหน้าคือสิ่งที่หายบ่อยที่สุด รหัสไปรษณีย์สหรัฐฯ เช่น 02134 รหัสพนักงาน และรหัสสินค้า เป็นตัวระบุ ไม่ใช่ปริมาณ และจะกลายเป็น 2134 ทันทีที่ถูกมองเป็นตัวเลข ให้ปิด เก็บตัวเลขเป็นตัวเลข สำหรับตารางที่เต็มไปด้วยรหัส หรือนำเข้า CSV โดยตั้งคอลัมน์เหล่านั้นเป็นข้อความ (Text)

การดึงตารางเดียวเป็นเรื่องเล็ก แต่การดึงใบแจ้งหนี้ทั้งปีหรือใบแจ้งยอดธนาคารสิบสองเดือนเป็นโปรเจกต์ข้อมูลขนาดย่อม ควรเก็บเอกสารต้นฉบับในรูปแบบเดียวกันเท่าที่ทำได้ และแปลงรวดเดียวเพื่อให้ทุกไฟล์ใช้การตั้งค่าเดียวกัน กับ PDF ที่เป็นข้อความ อัปโหลดได้ครั้งละไม่เกิน 20 ไฟล์ ไฟล์ละไม่เกิน 95 MB และเลือก ทั้งหมดในชีตเดียว ในตัวเลือก ชีต เมื่อตารางรายการของใบแจ้งยอดต่อเนื่องหลายหน้า รูปถ่ายแปลงได้ครั้งละหนึ่งภาพตาราง ดังนั้นสำหรับใบแจ้งหนี้กระดาษหนึ่งปึก มักเร็วกว่าถ้ารวมหน้าด้วย รูปเป็น PDF ก่อน แล้วกำหนด หน้า PDF ให้ตรงช่วงที่มีตาราง

หลังแปลงเป็นชุด ให้ต่อผลลัพธ์รวมไว้ในชีตเดียวพร้อมคอลัมน์ที่บันทึกชื่อไฟล์ต้นทาง หากเอกสารส่วนใหญ่เป็นข้อความที่มีตารางหนึ่งหรือสองตาราง การแปลง PDF เป็น Word จะเก็บทั้งย่อหน้าและตารางไว้ด้วยกันแทน

ใบแจ้งยอดธนาคาร สลิปเงินเดือน และใบแจ้งหนี้มีเลขบัญชี ที่อยู่ และประวัติการใช้จ่าย จึงควรคิดว่าไฟล์เหล่านี้ไปอยู่ที่ไหน บน UltKit ไฟล์ที่อัปโหลดและไฟล์ที่สร้างขึ้นจะถูกลบ 30 นาทีหลังประมวลผล และไม่มีใครอ่านไฟล์เหล่านั้น อย่างไรก็ตาม สำเนาที่ปลอดภัยที่สุดคือสำเนาที่ไม่เคยออกจากคอมพิวเตอร์ของคุณ ให้ครอปหรือปิดบังคอลัมน์ที่ไม่จำเป็น เช่น เลขบัญชีเต็ม ก่อนอัปโหลด และลบไฟล์ที่ส่งออกในเครื่องที่ไม่ใช้แล้ว