تصویر اور PDF سے ٹیبل Excel یا CSV میں کیسے نکالیں | UltKit

ٹول چننے سے پہلے دیکھ لیں کہ آپ کے پاس کس قسم کا ٹیبل ہے، کیونکہ تینوں عام ماخذ مختلف انداز میں ناکام ہوتے ہیں۔ PDF کھولیں اور کرسر سے کوئی ایک عدد منتخب کرنے کی کوشش کریں۔ اگر عدد خود نمایاں ہو جائے تو فائل ٹیکسٹ PDF ہے: ہر حرف ایک مخصوص مقام پر متن کی صورت میں محفوظ ہوتا ہے، اور نکالنے کا کام زیادہ تر ان حروف کو قطاروں اور کالموں میں گروپ کرنا ہے۔ اگر پورا صفحہ ایک بلاک کی طرح نمایاں ہو، یا کچھ بھی نمایاں نہ ہو، تو آپ کے پاس ٹیبل کی تصویر ہے اور پہلے پکسلز کو پڑھنا پڑے گا۔

تیسری صورت آسانی سے نظر سے رہ جاتی ہے۔ پرانے اکاؤنٹنگ سسٹمز، ٹرمینل پروگراموں اور ای میل کی عبارت سے نکلی کئی رپورٹیں ٹیبل جیسی لگتی ہیں مگر دراصل سادہ متن ہوتی ہیں جو ٹیب یا خالی جگہوں سے سیدھ میں رکھا گیا ہو۔ ان میں کوئی خانہ نہیں ہوتا، صرف یکساں چوڑائی والی ترتیب ہوتی ہے۔ ایسے متن کے اسکرین شاٹ پر OCR چلانے سے وہ معلومات ضائع ہوتی ہیں جو آپ کے پاس پہلے سے ہیں؛ متن کاپی کر کے کالموں میں تقسیم کرنا زیادہ تیز اور درست ہے۔ نیچے کارڈز میں ہر ماخذ کی ضرورت کا خلاصہ ہے۔

ٹیبل کی شناخت دوسرا مرحلہ ہے جو حروف پہچانے جانے کے بعد چلتا ہے۔ پہلے یہ خانے تلاش کرتا ہے: لکیروں والے ٹیبل میں افقی اور عمودی لکیریں ڈھونڈ کر ہر گھرے ہوئے ڈبے کو ایک خانہ سمجھتا ہے؛ بغیر لکیروں والے ٹیبل میں وہ خالی جگہ کی عمودی پٹیاں دیکھتا ہے جو بلاک کی پوری اونچائی میں چلتی ہوں۔ پھر کالم ملاتا ہے اور طے کرتا ہے کہ اوپر والے عدد سے چند پکسل دائیں بیٹھا عدد بھی اسی کالم کا ہے۔

اس کے بعد ہیڈر قطار آتی ہے۔ شناخت کرنے والا ایسی پہلی قطار تلاش کرتا ہے جو بولڈ ہو، رنگین ہو، یا اعداد کے کالموں کے اوپر الفاظ پر مشتمل ہو، اور دو سطروں میں پھیلے ہیڈر کو ایک خانے میں جوڑ دیتا ہے۔ آخری مرحلہ ضم شدہ خانے ہیں: Q1 جیسا لیبل جو تین مہینوں کے کالموں پر پھیلا ہو، اندرونی لکیریں نہ ہونے سے پہچانا جاتا ہے اور یا تو ضم خانے کے طور پر بنتا ہے یا ہر متعلقہ کالم میں نقل ہو جاتا ہے۔

اس میں سے کچھ بھی مفہوم سمجھنا نہیں ہے۔ سافٹ ویئر کو نہیں معلوم کہ کالم میں تاریخیں ہیں یا قطار ذیلی مجموعہ ہے؛ وہ صرف ہندسی ترتیب اور حروف دیکھتا ہے۔ اسی لیے ایک ہی ٹول ایک اسٹیٹمنٹ پر بے عیب اور کسی دوسرے بینک کے اگلے اسٹیٹمنٹ پر بگڑا ہوا نتیجہ دے سکتا ہے، اور اسی لیے ٹیبل کا انداز اور ہیڈر قطار کی شناخت کریں جیسی سیٹنگز موجود ہیں: یہ شناخت کرنے والے کو وہ بات بتا دیتی ہیں جو وہ بھروسے سے خود نہیں جان سکتا۔

زیادہ تر ناکامیاں دو گروپوں میں آتی ہیں۔ ہندسی ناکامیاں گرڈ توڑ دیتی ہیں، جس سے قدریں غلط قطار یا کالم میں چلی جاتی ہیں۔ عددی ناکامیوں میں گرڈ ٹھیک رہتا ہے مگر خانے کا مطلب بدل جاتا ہے، جو زیادہ برا ہے کیونکہ شیٹ ٹھیک نظر آتی ہے۔ غلط جگہ پر کالم ایک نظر میں دکھ جاتا ہے؛ 1.234 کو ہزار کے بجائے اعشاریہ سمجھ لینا نظر نہیں آتا۔

اعداد کی گڑبڑ کی بڑی وجہ علاقائی طرزِ تحریر ہے۔ امریکہ اور برطانیہ میں 1,234.56 لکھا جاتا ہے؛ جرمنی، برازیل اور بیشتر براعظمی یورپ میں 1.234,56؛ فرانس ہزار کے لیے خالی جگہ استعمال کرتا ہے؛ سوئٹزرلینڈ میں اکثر apostrophe ہوتا ہے جیسے 1'234.56؛ اور بھارت میں ہندسے 1,23,456 کی طرح گروپ ہوتے ہیں۔ اکاؤنٹنگ دستاویزات میں منفی اعداد قوسین میں اور کرنسی کی علامتیں ہندسوں سے جڑی ہوتی ہیں۔ دھیان رکھنے کی باتیں اور ہر صورت کا حل یہ ہیں۔

ان پٹ پر لگایا ہوا ہر منٹ اسپریڈشیٹ میں کئی منٹ بچاتا ہے۔ OCR انجن عموماً تقریباً 300 dpi پر اسکین شدہ متن کے لیے ترتیب دیے جاتے ہیں، جو A4 یا US Letter صفحے کے لیے تقریباً 2480 × 3508 px یا 2550 × 3300 px بنتا ہے۔ جدید فون کیمرا صفحہ فریم بھر دے تو اس سے آسانی سے بڑھ جاتا ہے، لیکن میز کے دوسرے سرے سے لی گئی پورے صفحے کی تصویر، جو پھر چھوٹے ٹیبل تک کراپ کی جائے، اس سے کافی نیچے جا سکتی ہے۔

کنٹراسٹ بھی ریزولوشن جتنا اہم ہے۔ تھرمل کاغذ کی رسیدیں مدھم پڑ جاتی ہیں، سرمئی پس منظر پر سرمئی لکیریں غائب ہو جاتی ہیں، اور صفحے پر فون کا سایہ کالم کو آدھا کاٹ سکتا ہے۔ اگر اصل کاغذی دستاویز ہے جس سے آپ باقاعدگی سے ڈیٹا نکالتے ہیں تو دستاویزات کو PDF میں اسکین کرنے کی گائیڈ میں روشنی اور اسکینر سیٹنگز کی مزید تفصیل ہے۔ اپ لوڈ سے پہلے یہ فہرست دیکھ لیں۔

Excel کا Data from Picture 2019 میں Android ایپ میں آیا، پھر iPhone پر، اور اب Windows اور Mac پر Microsoft 365 کے Excel میں Data > From Picture کے تحت موجود ہے۔ آپ ایک ٹیبل کی تصویر کھینچتے یا لوڈ کرتے ہیں، سائیڈ پینل میں شناخت شدہ خانے دیکھتے ہیں جہاں مشکوک قدروں کی نشاندہی ہوتی ہے، اور انہیں داخل کر دیتے ہیں۔ Google کا راستہ کم سیدھا ہے: Drive میں تصویر یا PDF پر رائٹ کلک کر کے Open with > Google Docs چنیں۔ Google کا اپنا ہیلپ صفحہ اسے 2 MB یا کم کی فائلوں تک محدود بتاتا ہے اور PDF کے صرف پہلے 10 صفحات پڑھتا ہے، اور نتیجہ دستاویز ہوتا ہے، اس لیے ٹیبل اکثر متن کی سطروں کی شکل میں آتا ہے جنہیں آپ Sheets میں پیسٹ کر کے تقسیم کرتے ہیں۔

Adobe Acrobat Pro، PDF کو Microsoft Excel ورک بک میں ایکسپورٹ کرتا ہے اور ایکسپورٹ کے دوران اسکین شدہ صفحات پر OCR چلاتا ہے۔ Windows پر Microsoft 365 کا Excel ٹیکسٹ PDF سے Get Data > From File > From PDF کے ذریعے بھی ٹیبل لے سکتا ہے، جو Power Query کھولتا ہے؛ یہ ہر شناخت شدہ ٹیبل کو صفحے کے لحاظ سے دکھاتا ہے، کسی اسٹیٹمنٹ کے ماہانہ صفحات کو ایک ٹیبل میں جوڑنے دیتا ہے اور اگلے مہینے کی فائل بدلنے پر ریفریش ہو جاتا ہے۔ یہ اسکین نہیں پڑھتا، اور Mac کے Excel میں یہ کنیکٹر نہیں ہے۔

براؤزر کنورٹر بغیر کچھ انسٹال کیے باقی کام سنبھال لیتے ہیں۔ ٹیکسٹ یا اسکین شدہ PDF کے لیے PDF سے Excel ہر شناخت شدہ ٹیبل کو الگ شیٹ بنا دیتا ہے؛ تصویر یا اسکرین شاٹ کے لیے تصویر کو Excel میں تبدیل کریں یا جب کوئی دوسرا پروگرام درآمد کرے تو ٹیبل کو CSV کے طور پر محفوظ کریں۔ جدول میں پانچوں راستوں کا موازنہ ہے۔

جو تبدیل شدہ ٹیبل ٹھیک نظر آئے وہ ابھی قابلِ بھروسا ٹیبل نہیں ہوتا۔ قطاروں کی گنتی سے شروع کریں: اگر اسٹیٹمنٹ میں 47 لین دین ہیں تو شیٹ میں 47 ڈیٹا قطاریں ہونی چاہئیں، نہ کہ 46 جب دو سطریں مل گئیں یا 49 جب لپٹی ہوئی تفصیل الگ قطار بن گئی۔ پھر SUM سے کسی ایک عددی کالم کا مجموعہ نکالیں اور دستاویز پر چھپے کل سے ملائیں۔ اگر دستاویز میں کل نہیں ہے تو چند قدریں ہاتھ سے جمع کر کے ملا لیں۔

اس کے بعد ایسے خانے ڈھونڈیں جو صرف عدد ہونے کا دکھاوا کرتے ہیں۔ Excel میں اصل اعداد ڈیفالٹ طور پر دائیں اور متن بائیں سیدھ میں ہوتے ہیں، اس لیے جس کالم میں چند رقوم بائیں سیدھ میں ہوں وہ آپ کو کچھ بتا رہا ہے؛ مددگار کالم پر ISNUMBER سب کو ایک ساتھ پکڑ لیتا ہے۔ تاریخوں پر بھی یہی شک رکھیں۔ متن کے طور پر پڑھی گئی تاریخ حروفِ تہجی کے لحاظ سے ترتیب پاتی ہے، یوں 10/02، 2/03 سے پہلے آ جاتی ہے، اور 03/04 کا مطلب لکھنے والے کے مطابق 3 اپریل یا 4 مارچ ہو سکتا ہے۔

آخر میں یہ دیکھیں کہ کیا ضائع ہوا، صرف یہ نہیں کہ کیا بدلا۔ لمبے اکاؤنٹ اور کارڈ نمبر پرانا جال ہیں: Excel اعداد کو 15 اہم ہندسوں تک محفوظ کرتا ہے، اس لیے 16 ہندسوں کا کارڈ نمبر اگر بطور عدد ٹائپ یا درآمد ہو تو اس کا آخری ہندسہ صفر بن جاتا ہے۔

جب کوئی شخص ڈیٹا کے ساتھ Excel، Google Sheets یا Numbers میں کام کرے تو XLSX منتخب کریں۔ یہ کئی جدولوں کو الگ شیٹس پر، اصل عدد اور تاریخ کی اقسام، بولڈ ہیڈر قطاروں اور ضم شدہ خانوں سمیت محفوظ رکھتا ہے۔ جب ڈیٹا کسی سافٹ ویئر میں امپورٹ ہونا ہو، جیسے بجٹ ایپس، اکاؤنٹنگ پیکیجز، ڈیٹا بیس اور اسکرپٹس، تو CSV منتخب کریں۔ CSV سادہ متن ہے جس میں ہر فائل میں ایک جدول ہوتی ہے، اور اس کی تفصیل 2005 کے RFC 4180 میں ہے۔ تین ترتیبیں اہم ہیں: ڈیلیمیٹر، انکوڈنگ، اور یہ کہ اعداد کو عدد کے طور پر محفوظ کیا جائے یا نہیں۔

ڈیلیمیٹر امپورٹ کرنے والے پروگرام سے مطابقت رکھنا چاہیے؛ جن ممالک میں اعشاریہ کے لیے کوما لکھا جاتا ہے وہاں Excel سیمی کولن کی توقع کرتا ہے۔ انکوڈنگ طے کرتی ہے کہ Müller یا São Paulo جیسے نام درست رہیں گے یا نہیں: BOM کے ساتھ UTF-8 وہ ہے جسے Windows کا Excel ڈبل کلک پر درست پڑھتا ہے۔ شروع کے صفر ضائع ہونا عام مسئلہ ہے۔ امریکی ZIP کوڈ جیسے 02134، ملازمین کی IDs اور پروڈکٹ کوڈ شناخت کنندہ ہیں، مقدار نہیں، اور جیسے ہی انہیں عدد سمجھا جائے وہ 2134 بن جاتے ہیں۔ IDs سے بھری جدولوں کے لیے اعداد کو عدد کے طور پر محفوظ کریں بند کر دیں، یا CSV امپورٹ کرتے وقت ان کالمز کو Text پر سیٹ کریں۔

ایک جدول نکالنا سادہ کام ہے؛ ایک سال کے انوائسز یا بارہ ماہانہ بینک اسٹیٹمنٹس نکالنا چھوٹا ڈیٹا پراجیکٹ ہے۔ جہاں ممکن ہو ماخذ دستاویزات ایک ہی ترتیب میں رکھیں اور سب کو ایک ساتھ تبدیل کریں تاکہ ہر فائل پر ایک جیسی سیٹنگز لگیں۔ ٹیکسٹ PDF کے ساتھ ایک وقت میں 20 تک فائلیں اپ لوڈ کریں، ہر ایک 95 MB تک، اور جب اسٹیٹمنٹ کی ٹرانزیکشن جدول کئی صفحات تک جاری ہو تو شیٹس آپشن میں سب کچھ ایک شیٹ پر منتخب کریں۔ تصاویر ایک وقت میں ایک جدول کی ہی تبدیل ہوتی ہیں، اس لیے کاغذی انوائسز کے ڈھیر کے لیے پہلے تصویر سے PDF سے صفحات جوڑنا اور پھر PDF صفحات میں جدولوں والی حد دینا اکثر تیز ہوتا ہے۔

بیچ کے بعد نتائج کو ایک شیٹ میں جوڑ لیں اور ایک کالم رکھیں جس میں ماخذ فائل کا نام درج ہو۔ اگر دستاویزات زیادہ تر متن ہیں اور ایک دو جدولیں ہیں تو PDF کو Word میں تبدیل کرنا پیراگراف اور جدولیں ایک ساتھ رکھتا ہے۔

بینک اسٹیٹمنٹس، تنخواہ کی پرچیوں اور انوائسز میں اکاؤنٹ نمبر، پتے اور اخراجات کی تفصیل ہوتی ہے، اس لیے سوچ لیں کہ یہ کہاں جا رہی ہیں۔ UltKit پر اپ لوڈ کی گئی اور تیار شدہ فائلیں پروسیسنگ کے 30 منٹ بعد حذف ہو جاتی ہیں اور انہیں کوئی نہیں پڑھتا۔ پھر بھی سب سے محفوظ کاپی وہ ہے جو آپ کے کمپیوٹر سے باہر نہ جائے: اپ لوڈ سے پہلے غیر ضروری کالمز، جیسے مکمل اکاؤنٹ نمبر، کراپ یا چھپا دیں، اور جن مقامی ایکسپورٹس کی ضرورت نہ رہے انہیں حذف کر دیں۔