Sie konvertieren eine PDF-Tabelle in Excel, öffnen das Ergebnis und starren auf eine Tabelle mit leeren Zellen, in denen sich Zahlen befinden sollten. Das Original-PDF enthielt eindeutig Daten an diesen Positionen. Sie können es auf dem Bildschirm sehen. Aber die Excel-Datei wies Lücken, fehlende Werte oder ganze Zeilen auf, die auf leere Leerzeichen reduziert waren. Dies ist eines der frustrierendsten Ergebnisse der PDF-zu-Excel-Konvertierung, da nicht klar ist, was schief gelaufen ist oder wie man es beheben kann.
Die Ursache liegt meist nicht im Konvertierungstool selbst. Es besteht eine Diskrepanz zwischen der Art und Weise, wie das PDF seine Tabellendaten speichert, und dem, was die Konvertierungs-Engine erwartet. Das Verständnis der spezifischen Gründe für leere Zellen macht das Problem lösbar und nicht rätselhaft.
Das PDF enthält ein Bild einer Tabelle, keine tatsächlichen Tabellendaten
Dies ist der häufigste Grund für leere Zellen nach der Konvertierung von PDF in Excel. Wenn die PDF-Datei aus einem Scan, einem Screenshot oder einer Druck-zu-PDF-Datei einer Anwendung erstellt wurde, die ihre Ausgabe gerastert hat, ist die Tabelle, die Sie auf der Seite sehen, ein flaches Bild. Es gibt keine zugrunde liegenden Datenzellen, keine Zeilen- und Spaltenstrukturen und keine Textströme, die ein Konvertierungstool analysieren kann.
Wenn ein Konvertierungstool auf eine bildbasierte Tabelle stößt, hat es zwei Möglichkeiten: OCR ausführen, um zu versuchen, den Text zu erkennen und die Tabellenstruktur zu rekonstruieren, oder das Bild vollständig überspringen, da es es nicht analysieren kann. Viele grundlegende PDF-zu-Excel-Konverter wählen den zweiten Weg. Sie extrahieren die realen Daten, die sie finden können, und lassen bildbasierte Inhalte weg. Das Ergebnis ist eine Tabelle mit leeren Zellen, in denen sich das Tabellenbild befand. Die Lösung besteht darin, einen PDF-Konverter zu verwenden, der OCR enthält, wie WukongPDF, der Text in Bildern erkennt und das Tabellenraster rekonstruiert. Die Konvertierung erfolgt nicht pixelgenau, aber die Daten werden in Zellen angezeigt und verschwinden nicht im Leerraum.
Versuchen Sie es mit PDF zu Excel
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Das Tabellenlayout verwendet komplexe zusammengeführte oder verschachtelte Zellen
Selbst wenn eine Tabelle aus echten Textdaten besteht, kann die Art und Weise, wie die ursprüngliche Anwendung sie strukturiert hat, eine Konvertierungs-Engine übertreffen. Anwendungen wie Microsoft Excel, Google Sheets und Berichtssoftware erstellen häufig Tabellen mit zusammengeführten Zellen, bei denen sich eine einzelne Kopfzeile über mehrere Spalten erstreckt, verschachtelte Tabellen, bei denen eine Zelle eine weitere Minitabelle enthält, oder mehrstufige Kopfzeilen mit Gruppierungen von übergeordneten und untergeordneten Spalten.
PDF wurde nicht für die Darstellung von Tabellenstrukturen entwickelt. Es wurde entwickelt, um Zeichen an bestimmten XY-Koordinaten auf einer Seite zu platzieren. Eine PDF-Datei speichert eine Tabelle mit Tausenden unabhängigen Zeichenpositionierungsbefehlen. Die Konvertierungs-Engine muss die Tabellenstruktur rückentwickeln, indem sie die räumliche Anordnung dieser Zeichen analysiert. Zusammengeführte Zellen erschweren diese Analyse enorm. Was für einen menschlichen Leser wie eine logische Zelle aussieht, sieht für die Konvertierungs-Engine wie Text aus, der sich über einen mehrdeutigen Bereich erstreckt, der aus einer breiten Zelle oder mehreren schmalen Zellen bestehen kann. Wenn die Engine falsch rät, landen die Daten in den falschen Spalten, werden auf mehrere Zellen aufgeteilt oder weggelassen, weil die Engine die Mehrdeutigkeit nicht auflösen konnte.
Hierfür gibt es keine perfekte, universelle Lösung, da die ursprüngliche Tabellenstruktur bei der Konvertierung des Dokuments in PDF verloren ging. Wenn Sie Zugriff auf die Originaldatei haben, bleibt die Tabellenstruktur perfekt erhalten, wenn Sie direkt aus Excel oder Google Sheets in das XLSX-Format exportieren, anstatt eine PDF-zu-Excel-Konvertierung durchzuführen. Wenn das PDF Ihre einzige Kopie ist, bietet Ihnen ein Konvertierungstool mit erweiterter Tabellenerkennung, mit dem Sie Spaltengrenzen manuell definieren oder die erkannten Tabellenbereiche anpassen können, die besten Chancen, die Daten sauber wiederherzustellen.
Inkonsistente oder fehlende Trennzeicheninformationen
Konvertierungs-Engines erkennen Spaltengrenzen, indem sie die horizontalen Lücken zwischen Zeichengruppen analysieren. Wenn zwei Spalten sehr nahe beieinander liegen, kann die Engine sie möglicherweise zu einer zusammenführen. Wenn eine Spalte Zellen mit sehr unterschiedlichen Textmengen enthält, teilt die Engine die Spalte möglicherweise an den Engstellen in mehrere Spalten auf. Beide Fehler führen zu leeren Zellen, entweder weil Daten, die zwei separate Spalten füllen sollten, in einer Spalte zusammengepfercht wurden und die andere Spalte leer blieb, oder weil durch Phantomspaltenumbrüche Zellen erstellt wurden, in denen keine Daten vorhanden sind.
Tabellen mit leeren Zellen im Originaldokument stellen eine besonders heikle Variante dieses Problems dar. Wenn die Originaltabelle absichtlich leere Zellen enthält, erkennt die Konvertierungs-Engine größere Lücken und verschiebt möglicherweise ihre Spaltengrenzenerkennung, wodurch jede Zeile unterhalb der Lücke falsch ausgerichtet wird. Eine einzelne leere Zelle in Zeile 3 kann die gesamte Spaltenzuordnung für die Zeilen 4 bis 50 durcheinander bringen und eine Kaskade falsch ausgerichteter Daten erzeugen, die wie ein Konvertierungsfehler aussieht, in Wirklichkeit aber eine strukturelle Mehrdeutigkeit im Quelldokument darstellt.
So minimieren Sie leere Zellen bei Ihrer nächsten Konvertierung
Mehrere praktische Anpassungen verbessern Ihre Conversion-Erfolgsquote deutlich. Verwenden Sie zunächst immer ein Tool, das die Tabellenstrukturerkennung unterstützt, und nicht einen generischen PDF-zu-Text-Konverter. Speziell für Extrahieren von PDF-Daten entwickelte Tools verwenden auf Tabellenlayouts trainierte Algorithmen und liefern deutlich bessere Ergebnisse als die allgemeine Textextraktion. Die PDF-zu-Excel-Konvertierung von WukongPDF umfasst eine Tabellenstrukturerkennung, die gängige Layouts verarbeitet, einschließlich zusammengeführter Zellen, mehrstufiger Überschriften und Tabellen mit gemischten Datentypen.
Zweitens überprüfen Sie das PDF vor der Konvertierung. Wenn Sie mit Ihrem PDF-Viewer einzelne Zellen oder Textspalten aus der Tabelle auswählen und kopieren können, besteht die Tabelle aus echten Textdaten und lässt sich einigermaßen gut konvertieren. Wenn Sie auf die Tabelle klicken und das Ganze als einzelner Block hervorgehoben wird oder wenn die Textauswahl überhaupt nicht funktioniert, handelt es sich bei der Tabelle um ein Bild und muss eine OCR-basierte Konvertierung erfordern.
Drittens müssen Sie darauf vorbereitet sein, die Ausgabe zu bereinigen. Selbst die besten Konvertierungstools erzeugen Tabellenkalkulationen, die einige manuelle Anpassungen erfordern. Überprüfen Sie die ersten paar Zeilen jeder Spalte, um zu überprüfen, ob die Werte in den richtigen Spalten gelandet sind. Suchen Sie nach Spalten, die völlig leer sind, wenn Sie an dieser Position Daten in der Original-PDF-Datei sehen können. Dies sind Anzeichen dafür, dass das Tool die Spaltengrenzen falsch identifiziert hat. Durch das Korrigieren der Spaltenzuordnung in den ersten paar Zeilen werden Korrekturen oft kaskadiert auf den Rest der Tabelle übertragen.
Was tun, wenn die Konvertierung weiterhin leere Zellen erzeugt?
Wenn Sie mehrere Tools ausprobiert haben und die Konvertierung immer wieder leere Zellen an bestimmten Positionen erzeugt, liegt das Problem wahrscheinlich in der PDF-Datei selbst und nicht in den Tools. Die Tabellendaten können als Vektorgrafik gespeichert werden, wobei die Zahlen als Formen gezeichnet und nicht als Textzeichen codiert werden. Dies geschieht am häufigsten bei PDFs, die mit älterer CAD-Software, speziellen Berichtstools oder einigen Enterprise-Resource-Planning-Systemen erstellt wurden, die die Ausgabe in PDF über grafische Zeichnungsbefehle statt über Textplatzierung rendern. In diesen Fällen ist OCR die einzige Option, und Sie sollten damit rechnen, die Ausgabe manuell zu überprüfen und zu korrigieren, da OCR von vektorgezeichneten Tabellendaten von Natur aus fehleranfällig ist.
Der produktivste Ausweg, wenn die automatische Konvertierung wiederholt fehlschlägt, besteht darin, einen Screenshot der Tabelle mit hoher Auflösung zu erstellen, ihn mit einem speziellen OCR-Tool auszuführen, das auf Tabellenerkennung spezialisiert ist, und ihn nach Excel zu exportieren. Dieser zweistufige Prozess, Screenshot und dann OCR, umgeht die interne Datendarstellung der PDF vollständig und behandelt die Tabelle als reines Bild, was ironischerweise bei bestimmten Arten fehlerhafter PDFs zuverlässiger sein kann als der Versuch, die beschädigten oder nicht standardmäßigen Textdaten zu analysieren.
Versuchen Sie es mit PDF zu Excel
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.