Cách trích xuất bảng từ ảnh và PDF sang Excel hoặc CSV

Trước khi chọn công cụ, hãy xem bạn thực sự có loại bảng nào, vì ba nguồn phổ biến hỏng theo những cách khác nhau. Mở PDF và thử dùng con trỏ chọn một con số. Nếu con số tự được tô sáng, đó là PDF văn bản: mỗi ký tự được lưu dưới dạng văn bản tại một vị trí chính xác, và việc trích xuất chủ yếu là gom các ký tự đó thành hàng và cột. Nếu cả trang được tô sáng thành một khối, hoặc không có gì được tô sáng, bạn đang có hình ảnh của một bảng và phải đọc các điểm ảnh trước.

Trường hợp thứ ba rất dễ bị bỏ sót. Nhiều báo cáo xuất từ hệ thống kế toán cũ, chương trình dòng lệnh và nội dung email trông như bảng nhưng thực chất là văn bản thuần căn bằng tab hoặc chuỗi khoảng trắng. Hoàn toàn không có ô nào, chỉ có bố cục phông đơn cách. Chạy OCR trên ảnh chụp màn hình của văn bản đó là bỏ phí thông tin bạn đã có; sao chép văn bản rồi tách thành cột sẽ nhanh và chính xác hơn. Các thẻ dưới đây tóm tắt nhu cầu của từng nguồn.

Nhận diện bảng là bước thứ hai, chạy sau khi đã biết các ký tự. Đầu tiên nó tìm ô: với bảng có đường kẻ, nó dò các đường ngang và dọc rồi coi mỗi khung kín là một ô; với bảng không viền, nó tìm các rãnh trống dọc chạy suốt chiều cao khối. Sau đó nó căn cột, quyết định rằng một số lệch vài điểm ảnh sang phải so với số phía trên vẫn thuộc cùng cột.

Tiếp theo là hàng tiêu đề. Bộ nhận diện tìm hàng đầu tiên in đậm, có nền tô, hoặc gồm chữ nằm trên các cột số, và nối tiêu đề xuống dòng thành một ô duy nhất. Ô gộp là bước cuối: nhãn như Q1 trải trên ba cột tháng được phát hiện nhờ thiếu đường kẻ bên trong, rồi được dựng lại thành ô gộp hoặc chép vào từng cột mà nó bao phủ.

Không bước nào trong số này là hiểu nội dung. Phần mềm không biết một cột chứa ngày tháng hay một hàng là tổng phụ; nó chỉ thấy hình học và ký tự. Vì vậy cùng một công cụ có thể hoàn hảo với sao kê này nhưng làm rối sao kê của ngân hàng khác, và đó là lý do các tùy chọn như Kiểu bảng và Nhận diện hàng tiêu đề tồn tại: chúng cung cấp cho bộ nhận diện một thông tin mà nó không thể tự suy ra đáng tin cậy.

Phần lớn lỗi thuộc hai nhóm. Lỗi hình học làm vỡ lưới, khiến giá trị rơi vào sai hàng hoặc sai cột. Lỗi số giữ nguyên lưới nhưng đổi ý nghĩa của ô, tệ hơn vì bảng trông vẫn ổn. Cột bị lệch nhìn là thấy ngay; còn 1.234 bị đọc thành số thập phân thay vì một nghìn thì không.

Quy ước vùng miền là nguồn gốc chính của lỗi số. Mỹ và Anh viết 1,234.56; Đức, Brazil và phần lớn châu Âu lục địa viết 1.234,56; Pháp dùng khoảng trắng làm dấu phân cách hàng nghìn; Thụy Sĩ thường dùng dấu nháy đơn như 1'234.56; còn Ấn Độ nhóm chữ số kiểu 1,23,456. Tài liệu kế toán còn có số âm đặt trong ngoặc đơn và ký hiệu tiền tệ dính liền chữ số. Dưới đây là những điểm cần để ý và cách khắc phục từng trường hợp.

Mỗi phút dành cho đầu vào sẽ tiết kiệm nhiều phút trong bảng tính. Các công cụ OCR thường được tinh chỉnh cho văn bản quét khoảng 300 dpi, tức khoảng 2480 × 3508 px với trang A4 hoặc 2550 × 3300 px với trang US Letter. Camera điện thoại hiện đại dễ dàng vượt mức này nếu trang lấp đầy khung hình, nhưng ảnh cả trang chụp từ xa bên kia bàn rồi cắt còn một bảng nhỏ có thể thấp hơn nhiều.

Độ tương phản quan trọng không kém độ phân giải. Hóa đơn giấy nhiệt phai màu, đường kẻ xám trên nền xám biến mất, và bóng điện thoại đổ lên trang có thể cắt đôi một cột. Nếu bạn thường xuyên trích xuất từ một tài liệu giấy, hướng dẫn quét tài liệu thành PDF nói chi tiết hơn về ánh sáng và cài đặt máy quét. Trước khi tải lên, hãy rà qua danh sách này.

Data from Picture của Excel xuất hiện trên ứng dụng Android năm 2019, sau đó đến iPhone, và hiện có trong Excel for Microsoft 365 trên Windows và Mac tại Data > From Picture. Bạn chụp hoặc tải một bảng, xem lại các ô nhận diện trong bảng bên cạnh có đánh dấu giá trị đáng ngờ, rồi chèn vào. Google có cách ít trực tiếp hơn: trong Drive, nhấp chuột phải vào ảnh hoặc PDF và chọn Open with > Google Docs. Trang trợ giúp của Google giới hạn tệp từ 2 MB trở xuống và chỉ đọc 10 trang đầu của PDF, kết quả là một tài liệu nên bảng thường thành các dòng văn bản mà bạn phải dán vào Sheets rồi tách.

Adobe Acrobat Pro xuất PDF sang sổ làm việc Microsoft Excel và chạy OCR trên các trang quét khi xuất. Excel for Microsoft 365 trên Windows cũng có thể lấy bảng từ PDF văn bản bằng Get Data > From File > From PDF, mở Power Query; công cụ này liệt kê mọi bảng phát hiện được theo trang, cho phép nối các trang theo tháng của một sao kê thành một bảng và làm mới khi bạn thay tệp của tháng sau. Nó không đọc bản quét, và Excel for Mac không có trình kết nối này.

Công cụ chuyển đổi trên trình duyệt lo phần còn lại mà không cần cài đặt. Với PDF văn bản hoặc PDF quét, PDF sang Excel biến mỗi bảng phát hiện được thành một trang tính riêng; với ảnh chụp hoặc ảnh màn hình, hãy chuyển ảnh sang Excel hoặc lưu bảng thành CSV khi chương trình khác sẽ nhập dữ liệu. Bảng dưới đây so sánh năm cách.

Bảng chuyển đổi trông đúng vẫn chưa phải bảng bạn có thể tin cậy. Hãy bắt đầu với số hàng: nếu sao kê liệt kê 47 giao dịch, trang tính phải có 47 hàng dữ liệu, không phải 46 vì hai dòng bị gộp hay 49 vì phần mô tả xuống dòng thành hàng riêng. Sau đó cộng một cột số bằng SUM và so với tổng in trên tài liệu. Nếu tài liệu không có tổng, hãy cộng tay vài giá trị rồi so sánh.

Tiếp theo, tìm những ô chỉ giả làm số. Trong Excel, số thật mặc định căn phải còn văn bản căn trái, nên một cột có vài số tiền căn trái là dấu hiệu bất thường; ISNUMBER trên cột phụ sẽ tìm ra tất cả cùng lúc. Ngày tháng cũng đáng nghi như vậy. Ngày bị đọc thành văn bản sẽ sắp xếp theo thứ tự chữ cái, nên 10/02 đứng trước 2/03, và 03/04 có thể là 3 tháng 4 hoặc ngày 4 tháng 3 tùy người viết.

Cuối cùng, hãy kiểm tra những gì bị mất chứ không chỉ những gì bị đổi. Số tài khoản và số thẻ dài là cái bẫy kinh điển: Excel lưu số với 15 chữ số có nghĩa, nên số thẻ 16 chữ số được gõ hoặc nhập dưới dạng số sẽ bị đổi chữ số cuối thành số không.

Chọn XLSX khi có người sẽ làm việc với dữ liệu trong Excel, Google Sheets hoặc Numbers. Định dạng này giữ nhiều bảng trên các trang tính riêng, kiểu số và ngày thật, hàng tiêu đề in đậm và ô gộp. Chọn CSV khi phần mềm sẽ nhập dữ liệu: ứng dụng quản lý chi tiêu, phần mềm kế toán, cơ sở dữ liệu và script. CSV là văn bản thuần, mỗi tệp một bảng, được mô tả trong RFC 4180 từ năm 2005, và ba thiết lập quan trọng là dấu phân cách, bảng mã và việc có lưu số dưới dạng số hay không.

Dấu phân cách phải khớp với chương trình nhập; Excel ở các nước viết số thập phân bằng dấu phẩy mong đợi dấu chấm phẩy. Bảng mã quyết định các tên như Müller hay São Paulo có giữ nguyên không: UTF-8 có BOM là dạng Excel for Windows đọc đúng khi nhấp đúp. Mất số không ở đầu là lỗi kinh điển. Mã ZIP của Mỹ như 02134, mã nhân viên và mã sản phẩm là mã định danh chứ không phải số lượng, và sẽ thành 2134 ngay khi bị coi là số. Hãy tắt Lưu số dưới dạng số với các bảng toàn mã định danh, hoặc nhập CSV với các cột đó đặt là Text.

Trích xuất một bảng chỉ là tra cứu; trích xuất cả năm hóa đơn hay mười hai sao kê ngân hàng theo tháng là một dự án dữ liệu nhỏ. Hãy giữ các tài liệu nguồn cùng bố cục nếu có thể, và chuyển đổi trong một lượt để mọi tệp dùng cùng cài đặt. Với PDF văn bản, bạn có thể tải lên tối đa 20 tệp một lần, mỗi tệp tối đa 95 MB, và chọn Tất cả trên một trang tính trong tùy chọn Trang tính khi bảng giao dịch của sao kê kéo dài qua nhiều trang. Ảnh chụp được chuyển từng ảnh bảng một, nên với một chồng hóa đơn giấy thường nhanh hơn nếu ghép các trang bằng chuyển ảnh sang PDF trước rồi đặt Trang PDF vào phạm vi chứa các bảng.

Sau khi xử lý hàng loạt, hãy nối kết quả vào một trang tính với một cột ghi tên tệp nguồn. Nếu tài liệu chủ yếu là văn bản kèm một hai bảng, chuyển PDF sang Word sẽ giữ đoạn văn và bảng cùng nhau.

Sao kê ngân hàng, phiếu lương và hóa đơn chứa số tài khoản, địa chỉ và lịch sử chi tiêu, nên hãy cân nhắc chúng được gửi đi đâu. Trên UltKit, tệp tải lên và tệp tạo ra bị xóa sau 30 phút kể từ khi xử lý và không ai đọc chúng. Dù vậy, bản sao an toàn nhất là bản không rời khỏi máy bạn: hãy cắt hoặc che các cột không cần, như số tài khoản đầy đủ, trước khi tải lên, và xóa các bản xuất trên máy khi không còn cần.