Resimden ve PDF'den Tabloyu Excel'e veya CSV'ye Aktarma

Bir araç seçmeden önce elinizdeki tablonun türünü öğrenin, çünkü üç yaygın kaynak farklı şekillerde başarısız olur. PDF'i açın ve imleçle tek bir sayıyı seçmeyi deneyin. Sayı kendiliğinden vurgulanıyorsa dosya bir metin PDF'idir: her karakter tam bir konumda metin olarak saklanır ve ayıklama büyük ölçüde bu karakterleri satır ve sütunlara gruplamaktan ibarettir. Tüm sayfa tek blok olarak vurgulanıyorsa veya hiçbir şey vurgulanmıyorsa elinizde bir tablo resmi vardır ve önce pikselleri birinin okuması gerekir.

Üçüncü durum kolay gözden kaçar. Eski muhasebe sistemlerinden, terminal programlarından ve e-posta gövdelerinden dışa aktarılan birçok rapor tabloya benzer, ama aslında sekmelerle veya boşluk dizileriyle hizalanmış düz metindir. Hiç hücre yoktur, yalnızca sabit aralıklı bir düzen vardır. Bu metnin ekran görüntüsüne OCR uygulamak elinizdeki bilgiyi çöpe atar; metni kopyalayıp sütunlara bölmek daha hızlı ve kesindir. Aşağıdaki kartlar her kaynağın neye ihtiyaç duyduğunu özetler.

Tablo tanıma, karakterler bilindikten sonra çalışan ikinci bir geçiştir. Önce hücreleri bulur: çizgili tablolarda yatay ve dikey çizgileri izler ve çevrelenen her kutuyu hücre sayar; kenarlıksız tablolarda bloğun tüm yüksekliği boyunca uzanan boş dikey aralıkları arar. Ardından sütunları hizalar; bir üsttekinden birkaç piksel sağda duran sayının yine aynı sütuna ait olduğuna karar verir.

Sonra başlık satırı gelir. Tanıyıcılar kalın, gölgeli veya sayı sütunlarının üstünde kelimelerden oluşan ilk satırı arar ve iki satıra taşan başlıkları tek hücrede birleştirir. Birleştirilmiş hücreler son adımdır: üç ay sütununu kapsayan Q1 gibi bir etiket, eksik iç çizgilerden algılanır ve ya birleştirilmiş hücre olarak kurulur ya da kapsadığı her sütuna kopyalanır.

Bunların hiçbiri okuduğunu anlama değildir. Yazılım bir sütunun tarih içerdiğini ya da bir satırın ara toplam olduğunu bilmez; yalnızca geometriyi ve karakterleri görür. Bu yüzden aynı araç bir ekstrede kusursuz çalışıp başka bir bankanın ekstresini karıştırabilir ve Tablo stili ile Başlık satırını algıla gibi ayarlar tam da bu yüzden vardır: tanıyıcıya güvenilir biçimde çıkaramayacağı bir bilgiyi verirler.

Hataların çoğu iki gruba ayrılır. Geometri hataları ızgarayı bozar, değerler yanlış satıra veya sütuna düşer. Sayı hataları ızgarayı korur ama hücrenin anlamını değiştirir; tablo düzgün göründüğü için bu daha kötüdür. Yanlış yerleşmiş sütun bir bakışta anlaşılır; 1.234'ün binlik yerine ondalık okunması anlaşılmaz.

Sayı sorunlarının ana kaynağı yerel ayardır. ABD ve Birleşik Krallık 1,234.56 yazar; Almanya, Brezilya ve kıta Avrupası'nın çoğu 1.234,56 yazar; Fransa binlik ayırıcı olarak boşluk kullanır; İsviçre sıklıkla 1'234.56 gibi kesme işareti kullanır; Hindistan ise rakamları 1,23,456 diye gruplar. Muhasebe belgelerinde ayrıca parantez içinde negatif sayılar ve rakamlara bitişik para birimi simgeleri bulunur. Nelere dikkat edeceğiniz ve her durumun çözümü şöyle.

Girdiye harcanan her dakika, e-tabloda birkaç dakika kazandırır. OCR motorları genellikle yaklaşık 300 dpi taranmış metne göre ayarlanır; bu, A4 veya US Letter sayfası için kabaca 2480 × 3508 px ya da 2550 × 3300 px demektir. Sayfa kadrajı doldurursa modern bir telefon kamerası bunu rahatça aşar; ancak masanın karşısından çekilip küçük bir tabloya kırpılan tam sayfa fotoğraf bunun çok altına düşebilir.

Kontrast da çözünürlük kadar önemlidir. Termal kâğıt fişler solar, gri zeminde gri tablo çizgileri kaybolur, telefonunuzun sayfaya düşen gölgesi bir sütunu ikiye bölebilir. Düzenli olarak ayıklayacağınız kâğıt bir belgeniz varsa belgeleri PDF'e tarama rehberi ışık ve tarayıcı ayarlarını daha ayrıntılı anlatır. Yüklemeden önce şu listeye göz atın.

Excel'in Resimden Veri özelliği 2019'da Android uygulamasına, sonra iPhone'a geldi ve şimdi Windows ve Mac'teki Microsoft 365 için Excel'de Veri > Resimden altında bulunuyor. Tek bir tablonun fotoğrafını çeker veya yüklersiniz, şüpheli değerleri işaretleyen yan paneldeki tanınan hücreleri gözden geçirir ve eklersiniz. Google daha dolaylı bir yol sunar: Drive'da bir resme veya PDF'e sağ tıklayıp Birlikte aç > Google Dokümanlar'ı seçin. Google'ın kendi yardım sayfası bunu 2 MB veya daha küçük dosyalarla sınırlar ve PDF'in yalnızca ilk 10 sayfasını okur; sonuç bir belge olduğundan tablo çoğunlukla metin satırları olarak gelir ve bunları E-Tablolar'a yapıştırıp bölmeniz gerekir.

Adobe Acrobat Pro, PDF'i Microsoft Excel çalışma kitabına aktarır ve dışa aktarma sırasında taranmış sayfalara OCR uygular. Windows'taki Microsoft 365 için Excel de Veri Al > Dosyadan > PDF'den ile metin PDF'inden tablo çekebilir; bu Power Query'yi açar, algılanan her tabloyu sayfaya göre listeler, bir ekstrenin aylık sayfalarını tek tabloda birleştirmenize izin verir ve gelecek ayın dosyasını koyduğunuzda yenilenir. Taramaları okumaz, Mac için Excel'de ise bu bağlayıcı yoktur.

Tarayıcı dönüştürücüler hiçbir şey kurmadan geri kalanını karşılar. Metin veya taranmış PDF için PDF'den Excel'e algılanan her tabloyu kendi sayfasına çevirir; fotoğraf veya ekran görüntüsü için resmi Excel'e dönüştürün ya da başka bir program içe aktaracaksa tabloyu CSV olarak kaydedin. Tablo beş yolu karşılaştırır.

Doğru görünen dönüştürülmüş tablo henüz güvenebileceğiniz bir tablo değildir. Satır sayısıyla başlayın: ekstrede 47 işlem varsa sayfada 47 veri satırı olmalı; iki satır birleştiği için 46 veya taşan bir açıklama ayrı satır olduğu için 49 olmamalı. Sonra bir sayısal sütunu TOPLA ile toplayıp belgede basılı toplamla karşılaştırın. Belgede toplam yoksa birkaç değeri elle toplayıp karşılaştırın.

Ardından yalnızca sayı gibi davranan hücreleri arayın. Excel'de gerçek sayılar varsayılan olarak sağa, metin sola yaslanır; bu yüzden birkaç sola yaslı tutar içeren sütun size bir şey söylüyordur; yardımcı sütundaki EĞERSAYI değil, SAYIYSA işlevi hepsini bir seferde bulur. Tarihler de aynı şüpheyi hak eder. Metin olarak okunan tarih alfabetik sıralanır, bu yüzden 10/02, 2/03'ten önce gelir ve 03/04 yazanın kim olduğuna göre 3 Nisan ya da 4 Mart anlamına gelebilir.

Son olarak değişenden çok kaybolanı kontrol edin. Uzun hesap ve kart numaraları klasik bir tuzaktır: Excel sayıları 15 anlamlı haneyle saklar, bu yüzden sayı olarak yazılan veya içe aktarılan 16 haneli kart numarasının son hanesi sıfıra döner.

Veriyle bir kişi Excel, Google E-Tablolar veya Numbers'ta çalışacaksa XLSX seçin. Birkaç tabloyu ayrı sayfalarda, gerçek sayı ve tarih türlerini, kalın başlık satırlarını ve birleştirilmiş hücreleri korur. Bir yazılım içe aktaracaksa CSV seçin: bütçe uygulamaları, muhasebe paketleri, veritabanları ve betikler. CSV, dosya başına bir tablo içeren düz metindir ve 2005 tarihli RFC 4180'de tanımlanır; önemli üç ayar ayırıcı, kodlama ve sayıların sayı olarak saklanıp saklanmamasıdır.

Ayırıcı, içe aktaran programa uymalıdır; ondalıkları virgülle yazan ülkelerdeki Excel noktalı virgül bekler. Kodlama, Müller veya São Paulo gibi adların bozulmadan kalıp kalmayacağını belirler: Excel'in Windows'ta çift tıklamayla doğru okuduğu biçim BOM'lu UTF-8'dir. Baştaki sıfırlar klasik kayıptır. 02134 gibi ABD posta kodları, personel kimlikleri ve ürün kodları miktar değil tanımlayıcıdır ve herhangi bir şey onları sayı saydığı anda 2134 olur. Kimliklerle dolu tablolar için Sayıları sayı olarak kaydet seçeneğini kapatın veya CSV'yi bu sütunlar Metin olarak ayarlanmış şekilde içe aktarın.

Tek bir tabloyu ayıklamak bir aramadır; bir yıllık faturayı veya on iki aylık banka ekstresini ayıklamak küçük bir veri projesidir. Kaynak belgeleri mümkünse aynı düzende tutun ve her dosya aynı ayarları alsın diye hepsini tek seferde dönüştürün. Metin PDF'lerinde bir seferde her biri en fazla 95 MB olan 20 dosyaya kadar yükleyin ve bir ekstrenin işlem tablosu sayfalara yayılıyorsa Sayfalar seçeneğinde Her şey tek sayfadayı seçin. Fotoğraflar tek tablo resmi olarak dönüştürülür; bu yüzden bir yığın kâğıt fatura için önce sayfaları resimden PDF'e ile birleştirip PDF sayfaları seçeneğini tabloların bulunduğu aralığa ayarlamak çoğu zaman daha hızlıdır.

Toplu işlemden sonra sonuçları kaynak dosya adını kaydeden bir sütunla tek sayfada birleştirin. Belgeler çoğunlukla metinse ve bir iki tablo içeriyorsa, bunun yerine PDF'i Word'e dönüştürmek paragrafları ve tabloları birlikte korur.

Banka ekstreleri, maaş bordroları ve faturalar hesap numaralarını, adresleri ve harcama geçmişini içerir; bu yüzden nereye gittiklerini düşünün. UltKit'te yüklemeler ve oluşturulan dosyalar işlemden 30 dakika sonra silinir ve kimse tarafından okunmaz. Yine de en güvenli kopya bilgisayarınızdan hiç çıkmayandır: yüklemeden önce tam hesap numaraları gibi ihtiyacınız olmayan sütunları kırpın veya karartın ve artık gerekmeyen yerel dışa aktarımları silin.