Warum mehrseitige PDF-Tabellen bei der Konvertierung in Excel in Fragmente zerfallen
Das Konvertieren einer PDF-Tabelle, die sich über mehrere Seiten erstreckt, in eine Excel-Tabelle scheint eine Aufgabe zu sein, die automatisiert werden sollte. Wählen Sie die Seiten aus, führen Sie die Konvertierung durch und erhalten Sie eine einzelne fortlaufende Tabelle. Die Realität sieht anders aus, da die Konvertierungs-Engine PDF zu Excel jede Seite als unabhängige Leinwand betrachtet und für jede Seite eine separate Tabelle oder ein separates Blatt erstellt. Das Ergebnis ist eine fragmentierte Tabelle, in der auf jedem Blatt die gleiche Tabellenkopfzeile erscheint, die Zeilen die Daten in der Mitte der Daten an den Seitengrenzen unterbrechen und die Konsolidierung Dutzender Tabellen auf Seitenebene in einem fortlaufenden Datensatz stundenlanges manuelles Kopieren und Einfügen erfordert.
Die Cross-Page-Erkennung erledigt dies automatisch.
Dieser Ansatz funktioniert für die meisten Finanzdokumente.
Die Hauptursache liegt in der Art und Weise, wie PDFs Seiteninhalte darstellen. Eine PDF-Seite ist eine eigenständige Zeichenoberfläche ohne inhärentes Inhaltskonzept, das über Seitengrenzen hinweg fließt. Eine Tabelle, die unten auf Seite 12 beginnt und oben auf Seite 13 endet, wird im PDF als zwei unabhängige Sätze von Vektorlinien und Textobjekten dargestellt. Die Konvertierungs-Engine verfügt über kein strukturelles Signal, das ihr sagt, dass es sich bei diesen beiden Tabellen auf Seitenebene tatsächlich um eine fortlaufende Tabelle handelt. Sofern die Engine keine seitenübergreifende Inhaltsanalyse durchführt, die die meisten einfachen Konverter zugunsten der Geschwindigkeit überspringen, reproduziert die Ausgabe originalgetreu die Fragmentierung auf Seitenebene, die im Quell-PDF vorhanden ist.
Wiederholte Kopfzeilen verstärken das Fragmentierungsproblem. Die meisten mehrseitigen Tabellen wiederholen die Spaltenkopfzeile oben auf jeder neuen Seite, um die Lesbarkeit in der gedruckten oder PDF-Version zu gewährleisten. Wenn jede Seite in ein separates Blatt oder einen separaten Tabellenbereich konvertiert wird, erscheint die wiederholte Kopfzeile als Datenzeile in jedem Ausgabesegment. Die Konsolidierung von 20 Seiten der konvertierten Ausgabe bedeutet, dass 19 Kopien der wiederholten Kopfzeile manuell identifiziert und gelöscht werden müssen, bevor die Daten in einer einzigen fortlaufenden Tabelle zusammengeführt werden können.
Versuchen Sie es mit PDF in Excel
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Vorbereiten der PDF-Tabelle für die saubere Konvertierung
Die Qualität der PDF-Daten extrahieren-Ausgabe hängt stark davon ab, wie die PDF-Tabelle vor Beginn der Konvertierung strukturiert ist. Tabellen, die als tatsächliche PDF-Tabellenobjekte mit definierten Zellgrenzen und Datenzellen erstellt wurden, lassen sich sauberer konvertieren als Tabellen, die als visuelle Anordnung von Zeilen und Textfeldern erstellt wurden und für den menschlichen Leser nur wie Tabellen aussehen. Wenn Sie die Kontrolle über den PDF-Erstellungsprozess haben, führt die Generierung der Tabelle mithilfe einer PDF-Bibliothek, die semantische Tabellenstrukturen unterstützt, zu deutlich besseren Konvertierungsergebnissen als das Drucken eines visuellen Tabellenlayouts aus einem Textverarbeitungs- oder Tabellenkalkulationsprogramm.
Überprüfen Sie vor der Konvertierung die PDF-Tabellenstruktur mit einem PDF-Inspektionstool, das erkennen kann, ob der Tabelleninhalt als getaggte Tabellenelemente oder als nicht zugeordnete Textobjekte gespeichert ist. Mit Tags versehene Tabellen enthalten strukturelle Metadaten, die Konvertierungsmaschinen mitteilen, welcher Text in welche Zelle und welche Zellen in welche Zeile gehören. Konvertierungs-Engines, die PDF-Tags lesen können, erzeugen eine strukturierte Excel-Ausgabe mit korrekter Zuordnung von Zelle zu Zelle. Bei visuellen Tabellen ohne Tags muss die Konvertierungs-Engine die Tabellenstruktur aus Textpositionen und Strichzeichnungen ableiten, was von Natur aus weniger zuverlässig ist.
Wenn die Tabelle nicht mit Tags versehen ist, verbessert ein Vorverarbeitungsdurchlauf, der der PDF-Datei vor der Konvertierung Tabellen-Tags hinzufügt, die Ausgabequalität erheblich. Professionelle PDF-Editoren können Tabellenbereiche automatisch erkennen und Tabellen-Tags auf die erkannte Struktur anwenden. Auch wenn die automatische Tag-Kennzeichnung nicht perfekt ist, insbesondere bei Tabellen mit zusammengeführten Zellen oder unregelmäßigen Zeilenhöhen, stellt sie eine strukturelle Grundlage bereit, mit der die Konvertierungs-Engine arbeiten kann, und erzeugt eine Ausgabe, die weitaus weniger manuelle Bereinigung erfordert als die Konvertierung des vollständig nicht markierten Originals.
Ausführen der Konvertierung mit aktivierter seitenübergreifender Tabellenerkennung
Nicht alle PDF-zu-Excel-Konverter unterstützen die seitenübergreifende Tabellenerkennung, und bei denen, die dies tun, ist die Funktion möglicherweise nicht standardmäßig aktiviert. Überprüfen Sie vor dem Ausführen der Konvertierung die Konvertereinstellungen auf Optionen mit der Bezeichnung „Mehrseitige Tabellen erkennen“, „Tabellen seitenübergreifend zusammenführen“, „Kontinuierliche Tabellenerkennung“ oder ähnliche Terminologie. Durch Aktivieren dieser Einstellung wird die Engine angewiesen, die Tabellenstruktur über benachbarte Seiten hinweg zu analysieren und erkannte Fortsetzungen in einer einzigen Ausgabetabelle zusammenzuführen.
Bei der seitenübergreifenden Erkennung wird die Spaltenstruktur von Tabellen auf aufeinanderfolgenden Seiten verglichen. Wenn Seite 8 mit einer Tabelle endet, die fünf Spalten mit bestimmten relativen Breiten enthält, und Seite 9 mit einer Tabelle beginnt, die dieselbe fünfspaltige Struktur mit übereinstimmenden Spaltenbreiten aufweist, identifiziert die Engine mit hoher Wahrscheinlichkeit eine seitenübergreifende Fortsetzung und führt die beiden Segmente zusammen. Der Vergleich toleriert kleine Unterschiede in den absoluten Spaltenpositionen, da Kopf- und Fußzeilen auf verschiedenen Seiten die Position der Tabelle auf der Seite verschieben können, obwohl die Spaltenbreiten konsistent bleiben.
Die Erkennung wird weniger zuverlässig, wenn Seitenumbrüche in der Mitte einer Tabellenzeile statt zwischen Zeilen auftreten. Bei einer über die Seitengrenze geteilten Zeile wird die obere Hälfte auf einer Seite und die untere Hälfte auf der nächsten gerendert, wobei der Seitenrand oder die Fußzeile den Raum zwischen den beiden Hälften einnimmt. Tabellenerkennungsalgorithmen, die nach vollständigen Zeilen suchen, erkennen möglicherweise nicht, dass die geteilte Zeile zur selben Tabelle gehört. Durch die Auswahl eines Tabellenlayouts in der Quellanwendung, das die Aufteilung von Zeilen über Seitengrenzen vor dem Export in PDF vermeidet, wird dieser Erkennungsfehlermodus vollständig eliminiert.
Konvertierte Ausgabe bereinigen, um Seitenumbruchartefakte zu entfernen
Selbst wenn die seitenübergreifende Erkennung aktiviert ist, verbleiben einige Konvertierungsartefakte normalerweise in der Excel-Ausgabe und müssen manuell oder per Skript bereinigt werden. Das häufigste Artefakt ist eine doppelte Kopfzeile, die von der Konvertierungs-Engine an jedem Seitenübergangspunkt eingefügt wird. Wenn die Engine eine seitenübergreifende Fortsetzung erkannt hat, die wiederholte Kopfzeile jedoch nicht als Kopfzeile erkannt hat, wird der Kopfzeilentext als Datenzeile angezeigt. Ein kurzer Scan durch die erste Spalte der Ausgabetabelle auf der Suche nach Werten, die mit dem bekannten Kopfzeilentext übereinstimmen, identifiziert diese doppelten Kopfzeilen zum Löschen.
Leere Zeilen an Seitenübergangspunkten sind das zweithäufigste Artefakt. Wenn die PDF-Seite zwischen dem Ende des Tabellenkörpers und dem unteren Rand der Seite einen Rand, eine Fußzeile oder einen Leerraum aufweist, fügt die Konvertierungs-Engine möglicherweise eine oder mehrere leere Zeilen an dieser Position ein. Ein Filter-und-Lösch-Durchlauf für vollständig leere Zeilen bereinigt diese Artefakte in Sekundenschnelle.
Bei großen mehrseitigen Tabellen ist die skriptgesteuerte Bereinigung effizienter als die manuelle zeilenweise Überprüfung. Ein kurzes Excel-Makro oder Python-Skript, das die konvertierte Arbeitsmappe liest, Zeilen entfernt, bei denen die erste Zelle mit dem bekannten Kopfzeilentext übereinstimmt, vollständig leere Zeilen löscht und Daten aus mehreren Blättern in einem einzigen Blatt konsolidiert, kann Hunderte Seiten konvertierter Tabellenausgabe in weniger als einer Minute verarbeiten.
Der PDF-zu-Excel-Konverter von WukongPDF umfasst eine seitenübergreifende Tabellenerkennung, die fortlaufende Tabellen über Seitengrenzen hinweg identifiziert und eine konsolidierte Ausgabe mit Header-Deduplizierung erzeugt. Bei Tabellen, die als getaggte PDF-Strukturen erstellt wurden, behält die Konvertierung die Ausrichtung der Zellformatierung, die Zahlenformatierung und den Textstil in der Excel-Ausgabe bei, wodurch die Bereinigungszeit nach der Konvertierung für große mehrseitige Tabellendokumente von Stunden auf Minuten reduziert wird.
Umgang mit komplexen Tabellenstrukturen über Seitenumbrüche hinweg
Tabellen mit verbundenen Zellen, verschachtelten Überschriften oder unregelmäßiger Spaltenanzahl stellen zusätzliche Herausforderungen bei der seitenübergreifenden Konvertierung dar. Bei einer Tabelle mit einer zusammengeführten Titelzeile, die sich über alle Spalten am oberen Rand der Tabelle erstreckt, sollte dieser zusammengeführte Titel nicht auf Fortsetzungsseiten wiederholt werden. Einige PDF-Generierungstools wiederholen ihn jedoch trotzdem als Teil der Kopfzeilenkonfiguration. Die Konvertierungs-Engine erkennt den wiederholten zusammengeführten Titel auf jeder Seite und behandelt ihn in der Ausgabe als reguläre Datenzeile.
Bei Tabellen mit verschachtelten Spaltenüberschriften, bei denen die Überschrift zwei oder drei Zeilen einnimmt und sich die übergeordneten Kategorien über mehrere Unterspalten erstrecken, muss die seitenübergreifende Erkennung mit der seitenübergreifenden komplexen Überschriftenstruktur übereinstimmen.
Wenn die Kopfzeilenstruktur auf Seite 7 mit der Struktur auf Seite 8 übereinstimmt, einschließlich des gleichen Zusammenführungsmusters und der gleichen Unterkopfzeilenbezeichnungen, kann die Engine die beiden Tabellen auf Seitenebene sicher zusammenführen. Wenn sich die Header-Struktur unterscheidet, weil sich entweder die Tabellenstruktur mitten im Dokument ändert oder weil bei der PDF-Generierung Formatierungsvariationen eingeführt wurden, behandelt die Engine sie als separate Tabellen, auch wenn sie logisch zusammengehören.
Der zuverlässigste Ansatz für komplexe mehrseitige Tabellen besteht darin, die gesamte Tabelle in einem einzigen Vorgang zu konvertieren, nachdem sichergestellt wurde, dass die PDF-Struktur seitenübergreifende Erkennung unterstützt. Bei kritischen Daten, bei denen es auf die Genauigkeit ankommt, bietet eine stichprobenartige Überprüfung der Zeilenanzahl in der Ausgabe mit der bekannten Zeilenanzahl aus der ursprünglichen Datenquelle eine schnelle Validierung, dass während des Konvertierungsprozesses keine Zeilen verloren gegangen sind oder dupliziert wurden.
Bei der Konvertierung von Jahresabschlüssen, Rechnungsregistern oder Transaktionsprotokollen, die Dutzende von Seiten umfassen, kann die kumulative Wirkung kleiner Konvertierungsfehler den analytischen Wert der Daten beeinträchtigen. Eine einzelne fehlende Zeile in einem Transaktionsprotokoll bedeutet, dass die aus den konvertierten Daten berechneten Finanzsummen nicht mit den Originaldokumentsummen übereinstimmen. Eine einzelne duplizierte Kopfzeile, die fälschlicherweise als Datenzeile identifiziert wird, kann zu einer falschen Transaktion führen, die Prüfabstimmungen verhindert. Durch die seitenweise Überprüfung der Zeilenanzahl im Vergleich zum Originaldokument, zumindest bei der ersten Konvertierung eines neuen Dokumenttyps, wird Vertrauen in die Konvertierungsgenauigkeit geschaffen, bevor die Daten in analytische Arbeitsabläufe eingehen.
Erstellen Sie für wiederkehrende Konvertierungen, bei denen derselbe Dokumenttyp regelmäßig verarbeitet wird, wie etwa monatliche Kontoauszüge oder wöchentliche Verkaufsberichte, eine Konvertierungsvorlage, die die Erkennungseinstellungen, Spaltenzuordnungen und Bereinigungsregeln speichert, die für frühere Konvertierungen desselben Dokumenttyps funktionierten. Eine Vorlage erfasst die bei der Fehlerbehebung bei der ersten Konvertierung gewonnenen Erkenntnisse und wendet sie automatisch auf nachfolgende Konvertierungen an, wodurch die Bereinigungszeit pro Konvertierung für bekannte Dokumentformate von Stunden auf nahezu Null reduziert wird.
Versuchen Sie es mit PDF in Excel
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.