Як витягти таблицю з фото чи PDF в Excel або CSV | UltKit

Перш ніж обирати інструмент, з’ясуйте, яка саме таблиця у вас є, бо три поширені джерела дають збої по-різному. Відкрийте PDF і спробуйте курсором виділити одне число. Якщо число виділяється окремо, це текстовий PDF: кожен символ збережено як текст у точній позиції, і витягування зводиться переважно до групування символів у рядки й стовпці. Якщо вся сторінка виділяється одним блоком або не виділяється взагалі, перед вами зображення таблиці, і спершу потрібно прочитати пікселі.

Третій випадок легко пропустити. Багато звітів зі старих бухгалтерських систем, термінальних програм і тіл листів лише схожі на таблиці, а насправді це звичайний текст, вирівняний табуляціями або рядами пробілів. Комірок там немає, лише моноширинна верстка. Запускати OCR на знімку такого тексту означає втрачати інформацію, яку ви вже маєте; швидше й точніше скопіювати текст і розбити його на стовпці. У картках нижче підсумовано, що потрібно кожному джерелу.

Розпізнавання таблиць — це другий прохід, який виконується після того, як символи відомі. Спершу програма шукає комірки: у таблицях із лініями вона простежує горизонтальні й вертикальні лінії та вважає кожен замкнений прямокутник коміркою; у таблицях без меж шукає вертикальні смуги порожнього місця на всю висоту блока. Потім вирівнює стовпці, вирішуючи, що число, зсунуте на кілька пікселів праворуч від верхнього, усе ж належить до того самого стовпця.

Далі йде рядок заголовків. Розпізнавачі шукають перший рядок, який жирний, із заливкою або складається зі слів над стовпцями чисел, і з’єднують заголовки, що переносяться на два рядки, в одну комірку. Остання стадія — об’єднані комірки: підпис на кшталт Q1 над трьома стовпцями місяців визначається за відсутністю внутрішніх ліній і або відновлюється як об’єднана комірка, або копіюється в кожен стовпець, який охоплює.

Жодного розуміння змісту тут немає. Програма не знає, що стовпець містить дати чи що рядок є підсумком; вона бачить лише геометрію й символи. Тому той самий інструмент може бездоганно обробити одну виписку і зіпсувати наступну з іншого банку, і тому існують налаштування Тип таблиці та Визначати рядок заголовків: вони повідомляють розпізнавачу факт, який він не може надійно вивести сам.

Більшість збоїв належить до двох груп. Геометричні збої ламають сітку, і значення потрапляють не в той рядок чи стовпець. Числові збої залишають сітку цілою, але змінюють зміст комірки, що гірше, бо аркуш виглядає нормально. Зсунутий стовпець видно одразу; 1.234, прочитане як десятковий дріб замість тисячі, — ні.

Головне джерело проблем із числами — локаль. У США та Великій Британії пишуть 1,234.56; у Німеччині, Бразилії та більшості континентальної Європи — 1.234,56; у Франції роздільником тисяч є пробіл; у Швейцарії часто апостроф, як у 1'234.56; в Індії цифри групують як 1,23,456. У бухгалтерських документах до цього додаються від’ємні числа в дужках і символи валют, приліплені до цифр. Ось на що звернути увагу і що виправляє кожен випадок.

Кожна хвилина, витрачена на вхідний файл, економить кілька хвилин в електронній таблиці. OCR-рушії зазвичай налаштовані на текст, відсканований приблизно за 300 dpi, що для сторінки A4 або US Letter означає близько 2480 × 3508 px чи 2550 × 3300 px. Сучасна камера телефона легко це перевершує, якщо сторінка заповнює кадр, але фото цілої сторінки здалеку, обрізане до невеликої таблиці, може опуститися значно нижче.

Контраст важить не менше за роздільну здатність. Чеки на термопапері вицвітають, сірі лінії таблиці на сірому тлі зникають, а тінь від телефона на сторінці може розрізати стовпець навпіл. Якщо ви регулярно витягуватимете дані з паперового документа, у посібнику про сканування документів у PDF докладніше про освітлення й налаштування сканера. Перед завантаженням пройдіться за цим списком.

Функція Excel «Дані із зображення» з’явилася в застосунку для Android у 2019 році, потім на iPhone, а тепер є в Excel для Microsoft 365 на Windows і Mac у меню «Дані» > «Із зображення». Ви фотографуєте або завантажуєте одну таблицю, переглядаєте розпізнані комірки на бічній панелі, де позначено сумнівні значення, і вставляєте їх. Google пропонує менш прямий шлях: у Диску клацніть зображення чи PDF правою кнопкою й виберіть «Відкрити за допомогою» > «Google Документи». Довідка Google обмежує це файлами до 2 MB і читає лише перші 10 сторінок PDF, а результатом є документ, тож таблиця часто приходить рядками тексту, які потім треба вставити в Таблиці й розділити.

Adobe Acrobat Pro експортує PDF у книгу Microsoft Excel і під час експорту запускає OCR для сканованих сторінок. Excel для Microsoft 365 на Windows також може витягувати таблиці з текстового PDF через «Отримати дані» > «З файлу» > «З PDF», що відкриває Power Query; він показує всі виявлені таблиці за сторінками, дає змогу додати місячні сторінки виписки в одну таблицю й оновлюється, коли ви підставляєте файл наступного місяця. Скани він не читає, а в Excel для Mac цього конектора немає.

Браузерні конвертери закривають решту без встановлення програм. Для текстового чи сканованого PDF PDF в Excel перетворює кожну виявлену таблицю на окремий аркуш; для фото чи знімка екрана конвертуйте зображення в Excel або збережіть таблицю як CSV, якщо її імпортуватиме інша програма. У таблиці порівняно п’ять способів.

Перетворена таблиця, яка виглядає правильно, ще не є таблицею, на яку можна покластися. Почніть із кількості рядків: якщо у виписці 47 транзакцій, в аркуші має бути 47 рядків даних, а не 46 через злиття двох рядків чи 49 через те, що перенесений опис став окремим рядком. Потім додайте один числовий стовпець функцією SUM і порівняйте з підсумком, надрукованим у документі. Якщо підсумку немає, додайте кілька значень вручну й порівняйте.

Далі пошукайте комірки, які лише вдають числа. В Excel справжні числа за замовчуванням вирівнюються праворуч, а текст ліворуч, тож стовпець із кількома суми, вирівняними ліворуч, про щось сигналізує; ISNUMBER у допоміжному стовпці знаходить їх усі одразу. Дати заслуговують такої самої підозри. Дата, прочитана як текст, сортується за алфавітом, тому 10/02 опиняється перед 2/03, а 03/04 може означати 3 квітня або 4 березня залежно від того, хто писав.

Нарешті перевірте, що втрачено, а не що змінено. Довгі номери рахунків і карток — класична пастка: Excel зберігає числа з 15 значущими цифрами, тож у 16-значному номері картки, введеному чи імпортованому як число, остання цифра стає нулем.

Обирайте XLSX, коли з даними працюватиме людина в Excel, Google Sheets або Numbers. Цей формат зберігає кілька таблиць на окремих аркушах, справжні типи чисел і дат, жирні рядки заголовків та об’єднані клітинки. Обирайте CSV, коли дані імпортуватиме програма: застосунки для бюджету, бухгалтерські пакети, бази даних і скрипти. CSV — це простий текст з однією таблицею на файл, описаний у RFC 4180 2005 року, а важливі три налаштування: роздільник, кодування і те, чи зберігаються числа як числа.

Роздільник має збігатися з програмою, що імпортує файл: Excel у країнах, де десяткову частину пишуть через кому, очікує крапку з комою. Кодування визначає, чи збережуться імена на кшталт Müller або São Paulo: UTF-8 з BOM — це те, що Excel для Windows правильно читає після подвійного клацання. Класична втрата — початкові нулі. Поштові індекси США на кшталт 02134, коди працівників і товарів є ідентифікаторами, а не кількостями, і стають 2134, щойно їх починають трактувати як числа. Вимкніть Зберігати числа як числа для таблиць, повних ідентифікаторів, або імпортуйте CSV, задавши для цих стовпців тип «Текст».

Витягти одну таблицю — справа хвилини, а витягти рік рахунків чи дванадцять місячних банківських виписок — уже невеликий проєкт з даними. Тримайте вихідні документи в однаковому макеті, де це можливо, і конвертуйте їх за один захід, щоб усі файли отримали однакові налаштування. Текстові PDF завантажуйте до 20 за раз, кожен до 95 MB, і в опції Аркуші виберіть Усе на одному аркуші, якщо таблиця транзакцій у виписці продовжується на кількох сторінках. Фото конвертуються по одній таблиці, тож для стосу паперових рахунків часто швидше спочатку зібрати сторінки через фото в PDF і вказати в Сторінки PDF діапазон із таблицями.

Після пакетної обробки додайте результати в один аркуш зі стовпцем, де записано ім’я вихідного файлу. Якщо документи здебільшого складаються з тексту з однією-двома таблицями, краще конвертувати PDF у Word: абзаци й таблиці залишаться разом.

Банківські виписки, розрахункові листи та рахунки містять номери рахунків, адреси та історію витрат, тому подумайте, куди вони потрапляють. В UltKit завантажені й створені файли видаляються через 30 хвилин після обробки, і їх ніхто не читає. Все ж найбезпечніша копія — та, що ніколи не залишає ваш комп’ютер: перед завантаженням обріжте або закрийте непотрібні стовпці, як-от повні номери рахунків, і видаляйте локальні експорти, які більше не потрібні.