Eine PDF-Datei mit einem Dutzend Datentabellen, von denen jede einen separaten Berichtsabschnitt darstellt, stellt eine Herausforderung bei der Konvertierung dar. Das Konvertieren der gesamten PDF-Datei in eine einzelne CSV-Datei führt zu einer durcheinandergebrachten Tabelle, in der Tabellenüberschriften aus Abschnitt drei in der Mitte der Daten aus Abschnitt zwei erscheinen. PDF zu Excel Tools, die das gesamte Dokument auf einmal konvertieren, unterscheiden nicht zwischen Tabellen. Das Extrahieren jeder Tabelle in eine eigene CSV-Datei erfordert einen selektiveren Ansatz, bei dem jede Tabelle als unabhängige Datenquelle innerhalb des größeren Dokuments behandelt wird.
Das Ziel besteht darin, eine CSV-Datei pro Tabelle zu erstellen, wobei jede CSV-Datei die richtigen Spaltenüberschriften und Datenzeilen aus ihrer Quelltabelle im PDF enthält. Die Anzahl der Ausgabedateien entspricht der Anzahl der einzelnen Tabellen im Dokument. Durch diesen Ansatz bleibt jeder Datensatz sauber und bereit für den Import in Analysetools, Datenbanken oder separate Tabellenkalkulationsregisterkarten, ohne dass eine manuelle Nachbearbeitung zur Trennung gemischter Tabellendaten erforderlich ist.
WukongPDFs PDF-Daten extrahieren-Tools identifizieren Tabellenstrukturen in PDFs und exportieren sie in strukturierte Formate. Bei Dokumenten mit mehreren unabhängigen Tabellen erzeugt der unten beschriebene Extraktionsworkflow eine saubere CSV-Ausgabe pro Tabelle.
So funktioniert die PDF-Tabellenextraktion
Tabellenextraktions-Engines analysieren die räumlichen Positionen von Textzeichen auf jeder PDF-Seite. Horizontal nahe beieinander liegende Zeichen bilden Wörter. Wörter, die in horizontalen Reihen in regelmäßigen vertikalen Abständen angeordnet sind, bilden Tabellenzeilen. Vertikale Lücken zwischen Spalten definieren Spaltengrenzen. Die Engine gruppiert Zeichen in Zellen, Zellen in Zeilen und Zeilen in einer Tabellenstruktur und exportiert die Tabelle dann als durch Trennzeichen getrennten Text. Die Extraktionsgenauigkeit hängt davon ab, wie sauber die ursprüngliche PDF-Tabelle formatiert wurde. Tabellen mit sichtbaren Gitterlinien, konsistenten Spaltenbreiten und ohne zusammengeführte Zellen werden mit nahezu perfekter Genauigkeit extrahiert.
Zusammengeführte Zellen, bei denen sich eine Zelle über mehrere Spalten oder Zeilen erstreckt, verwirren die räumliche Analyse, da die Engine nicht bestimmen kann, zu welcher Spalte die zusammengeführte Zelle gehört. Tabellen mit einer zeilenweise wechselnden Hintergrundschattierung können dazu führen, dass die Engine Schattierungsgrenzen fälschlicherweise als Spaltengrenzen interpretiert. Tabellen, bei denen der Inhalt innerhalb von Zellen in mehrere Zeilen umgebrochen wird, können dazu führen, dass die Engine jede umgebrochene Zeile als separate Zeile behandelt. Bevor Sie sich für eine Extraktionsmethode entscheiden, überprüfen Sie die PDF-Tabelle visuell auf diese Funktionen und legen Sie entsprechende Erwartungen fest.
Versuchen Sie es mit PDF in Excel
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Methode 1: Einzelne Tabellen mit Adobe Acrobat Pro exportieren
Acrobat Pro kann eine PDF-Datei nach Excel exportieren und von dort aus die Arbeitsmappe in separate CSV-Dateien aufteilen. Öffnen Sie die PDF-Datei in Acrobat Pro, gehen Sie zu „Extras“ und dann zu „PDF exportieren“. Wählen Sie „Tabelle“ als Ausgabeformat und wählen Sie „Microsoft Excel-Arbeitsmappe“. Klicken Sie auf Exportieren. Acrobat verarbeitet das gesamte Dokument und erstellt eine XLSX-Datei. Öffnen Sie XLSX in Excel. Der Inhalt jeder PDF-Seite erscheint je nach Dokumentlayout auf einem separaten Blatt oder in einem fortlaufenden Datenbereich.
Identifizieren Sie, wo jede Tabelle in der Excel-Ausgabe beginnt und endet. Wählen Sie den Datenbereich der ersten Tabelle einschließlich der Kopfzeile aus und kopieren Sie ihn in eine neue Excel-Arbeitsmappe. Speichern Sie diese Arbeitsmappe als CSV-Datei mit einem aussagekräftigen Namen, z. B. Sales_Q1_2025.csv. Wiederholen Sie dies für jede weitere Tabelle. Dieser manuelle Ansatz funktioniert zuverlässig für Dokumente mit bis zu fünf Tabellen. Bei Dokumenten mit Dutzenden Tabellen wird der manuelle Arbeitsablauf zum Kopieren und Speichern mühsam und eine der folgenden automatisierten Methoden ist praktischer.
Methode 2: Online-Tools mit Tabellenerkennung
Mehrere Online-PDF-zu-CSV-Konverter verfügen über eine Tabellenerkennung, die einzelne Tabellen innerhalb eines Dokuments identifiziert. Diese Tools scannen die PDF-Datei, markieren erkannte Tabellenbereiche und bieten die Möglichkeit, jede erkannte Tabelle als separate CSV-Datei oder als separate Blätter in einer XLSX-Arbeitsmappe zu exportieren. Auf diesen Workflow ist Tabula spezialisiert, ein Open-Source-Tool, das sowohl als Webanwendung als auch als lokale Desktop-App verfügbar ist. Laden Sie die PDF-Datei hoch, zeichnen Sie Auswahlfelder um jede Tabelle, die Sie extrahieren möchten, und klicken Sie auf „Exportieren“. Tabula erzeugt eine CSV-Datei pro ausgewähltem Tabellenbereich.
In der Praxis hängt die Qualität der Online-Extraktion stark von der internen Struktur des PDFs ab. Textbasierte PDFs, bei denen der Tabelleninhalt als tatsächliche Textzeichen gespeichert ist, werden zuverlässig extrahiert. Gescannte PDFs, bei denen es sich bei der Tabelle um ein Bild des Textes und nicht um den Text selbst handelt, erfordern vor der Extraktion eine OCR-Erkennung. Führen Sie die PDF-Datei zuerst durch eine OCR-Engine, wenn sie von einem Scanner stammt, und extrahieren Sie dann Tabellen aus der durchsuchbaren OCR-Ausgabe. Der OCR-Schritt führt zu einigen Extraktionsfehlern, insbesondere bei Zahlen, die möglicherweise fälschlicherweise als ähnlich aussehende Zeichen erkannt werden.
Methode 3: Automatisieren der Extraktion mit Python und Tabula
Bei wiederkehrenden Extraktionsaufgaben oder Dokumenten mit vielen Tabellen automatisiert ein Python-Skript mithilfe der tabula-py-Bibliothek den Workflow. Das Skript öffnet die PDF-Datei, erkennt Tabellenbereiche auf jeder Seite, extrahiert jede Tabelle in einen Pandas-DataFrame und speichert jeden DataFrame als separate CSV-Datei. Ein einfaches Extraktionsskript erfordert ungefähr 25 Codezeilen.
Die tabula-py-Bibliothek akzeptiert Parameter für die Tabellenerkennungsstrategie, z. B. den Gittermodus für Tabellen mit sichtbaren Gitterlinien und den Stream-Modus für Tabellen, in denen Spalten durch Leerzeichen getrennt sind. Der Gittermodus ist für gut formatierte Tabellen mit Rändern genauer. Der Stream-Modus toleriert randlose Tabellen, kann aber bei inkonsistenten Leerraumlücken zu einer Fehlausrichtung der Spalten führen. Führen Sie bei einem Dokument mit gemischten Tabellenstilen die Extraktion zweimal durch, einmal mit jedem Modus, und vergleichen Sie die Ausgabe, um festzustellen, welcher Modus sauberere Daten für jede Tabelle erzeugt hat.
| Methode | Am besten für | Tastenbeschränkung |
|---|---|---|
| Adobe Acrobat Pro-Export | Saubere Tabellen, ein oder zwei PDFs | Probleme mit zusammengeführten Zellen |
| Online-PDF-zu-CSV-Tools | Schnelle Konvertierung, keine Installation | Kann mehrseitige Tabellen falsch behandeln |
| Python + Pandas + Board | Stapelverarbeitung, komplexe Tabellen | Erfordert Skriptkenntnisse |
Umgang mit Tabellen, die sich über mehrere Seiten erstrecken
Eine besondere Herausforderung stellt eine Tabelle dar, die von Seite 3 bis Seite 4 geht. Die Extraktions-Engine sieht zwei separate Tabellen, eine auf jeder Seite, jede mit einer eigenen Kopfzeile auf Seite 3 und möglicherweise einer wiederholten Kopfzeile auf Seite 4. Nach der Extraktion führen Sie die beiden CSV-Dateien manuell oder mit einem Skript zusammen, indem Sie die Datenzeilen aus der zweiten Datei unterhalb der Datenzeilen der ersten Datei anhängen und so die doppelte Kopfzeile aus der zweiten Datei entfernen.
Einige Extraktionstools umfassen die Option „Span-Pages“ oder „Concatate Tables“, mit der versucht wird, mehrseitige Tabellen automatisch zusammenzuführen. Die Option funktioniert, wenn die Tabellenstruktur seitenübergreifend konsistent ist und jeder Seitenumbruch an einer Zeilengrenze erfolgt. Wenn der Seitenumbruch eine Zeile auf zwei Seiten aufteilt, beispielsweise eine lange Zeile mit umgebrochenem Text, die unten auf Seite 3 beginnt und oben auf Seite 4 endet, erzeugt die automatische Zusammenführung eine Teilzeile am Ende der ersten CSV-Datei und eine weitere Teilzeile am Anfang der zweiten CSV-Datei. Für diese Randfälle ist eine manuelle Überprüfung und Korrektur des Zusammenführungspunkts erforderlich.
Durch das Extrahieren jeder PDF-Tabelle in eine eigene CSV-Datei entstehen saubere, analysebereite Daten, die direkt in jedes Tabellenkalkulations- oder Datenbanktool importiert werden können. Welche Methode Sie wählen, hängt davon ab, wie viele Tabellen Sie extrahieren müssen und wie oft Sie diese Aufgabe ausführen. Für den gelegentlichen Einsatz an einer Handvoll Tabellen erledigt der Export-nach-Excel-Workflow von Acrobat Pro mit anschließender manueller CSV-Aufteilung die Aufgabe. Für die wiederkehrende Stapelextraktion aus standardisierten Dokumenten verarbeitet der Python- und Tabula-Ansatz Hunderte von PDFs mit konsistenten Ergebnissen.
Validierung extrahierter CSV-Daten auf Genauigkeit
Führen Sie nach dem Extrahieren jeder Tabelle in CSV einen schnellen Validierungsdurchlauf durch, bevor Sie die Daten in Ihre Analysepipeline importieren. Öffnen Sie jede CSV-Datei in einer Tabellenkalkulationsanwendung und vergleichen Sie die Zeilenanzahl mit der sichtbaren Zeilenanzahl in der ursprünglichen PDF-Tabelle. Die Anzahl sollte innerhalb einer oder zwei Zeilen übereinstimmen und mögliche Kopfzeilen berücksichtigen, die sich über Seitenumbrüche erstrecken. Überprüfen Sie die numerischen Werte in der CSV-Datei stichprobenartig mit der PDF-Datei: Wählen Sie fünf zufällige Zellen mit Zahlen aus und bestätigen Sie, dass die Werte genau übereinstimmen.
Achten Sie besonders auf Spalten, die im Original-PDF verbundene Zellen enthielten. Extraktions-Engines duplizieren häufig den Wert der zusammengeführten Zelle in allen Spalten, die sie umfasst, oder sie lassen einige Spalten leer. Wenn Ihre Analyse davon abhängt, dass die zusammengeführte Zellstruktur erhalten bleibt, wenden Sie die Zusammenführungslogik während der Nachbearbeitung an, anstatt zu erwarten, dass die Extraktions-Engine sie korrekt verarbeitet. Ein kurzes Python-Skript, das die CSV-Datei liest und Spalten basierend auf einer vordefinierten Zuordnung wieder in ihrer ursprünglichen Struktur zusammenführt, liefert zuverlässigere Ergebnisse, als wenn man sich auf die Zusammenführungserkennung der Extraktions-Engine verlässt.
Wann stattdessen ein API-Extraktionsdienst verwendet werden sollte
Für die Extraktion von PDF-Tabellen im großen Maßstab bieten API-basierte Dienste eine höhere Genauigkeit als lokale Tools für komplexe Layouts. Amazon Textract, Google Document AI und Microsoft Form Recognizer verwenden maschinelle Lernmodelle, die auf Millionen von Tabellenformaten trainiert wurden, und verarbeiten zusammengeführte Zellen, mehrzeilige Zellinhalte und randlose Tabellen zuverlässiger als regelbasierte Engines. Die Kosten betragen pro Seite, was für gelegentliche Extraktionen mit hohem Wert wirtschaftlich ist, bei der täglichen Stapelverarbeitung von Tausenden von Seiten jedoch möglicherweise teuer ist.
Die API-Extraktion erfasst den Tabellenkontext, den grundlegende Tools übersehen. Spaltenüberschriften sind mit Datenzellen verknüpft, auch wenn sich die Überschriften über mehrere Spalten erstrecken. Es werden hierarchische übergeordnete-untergeordnete Header identifiziert. Die Ausgabe erfolgt im strukturierten JSON-Format und nicht im flachen CSV-Format, wodurch die Tabellensemantik für die nachgelagerte Verarbeitung erhalten bleibt. Bei geschäftskritischen Daten, deren Genauigkeit sich auf finanzielle oder rechtliche Ergebnisse auswirkt, betragen die API-Kosten pro Seite nur einen Bruchteil der Kosten für die manuelle Korrektur von Extraktionsfehlern.
Versuchen Sie es mit PDF in Excel
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.