Durch das Extrahieren von Tabellendaten aus einer PDF-Datei in Excel sollte eine Tabelle entstehen, deren Zeilen und Spalten mit der Originaltabelle übereinstimmen. Aber manchmal ist die Ausgabe transponiert. Zeilen werden zu Spalten, Spalten werden zu Zeilen und die Daten werden verschlüsselt. Dies ist kein zufälliger Fehler. Es hat spezifische Ursachen, die damit zusammenhängen, wie die Konvertierungs-Engine PDF zu Excel das visuelle Layout der Tabelle interpretiert. Wenn Sie verstehen, warum eine Transposition erfolgt, können Sie Konvertierungseinstellungen auswählen, die eine korrekt ausgerichtete Ausgabe erzeugen.
Wichtige Erkenntnisse
Eine PDF-zu-Excel-Transposition tritt auf, wenn die Konvertierungs-Engine die Leserichtung der Tabelle falsch identifiziert, normalerweise aufgrund zusammengeführter Zellen, inkonsistenter Spaltenbreiten oder Text, der visuell in Zeilen ausgerichtet, aber in der PDF-Datei in Spaltenreihenfolge gespeichert ist. Die Lösung hängt von der Ursache ab. Das Anpassen der Konvertierungseinstellungen, das Vorverarbeiten des PDFs zur Verdeutlichung der Tabellenstruktur oder das Nachbearbeiten der Excel-Ausgabe zum Transponieren der Daten wieder in die richtige Ausrichtung – all das behebt unterschiedliche Ursachen.
Warum PDF-Tabellendaten während der Extraktion transponiert werden
Tabellen, die Führungspunkte oder andere visuelle Verbindungen zwischen Spalten verwenden, wie z. B. ein Inhaltsverzeichnis mit Punkten, die Kapiteltitel mit Seitenzahlen verbinden, werden fast garantiert transponiert, da die Führungspunkte eine kontinuierliche visuelle Linie erzeugen, die der Erkennungsalgorithmus als Zeilentrennzeichen interpretiert. Entfernen Sie Führungspunkte aus dem Quelldokument, bevor Sie das PDF erstellen, wenn die Tabelle später wieder in Excel konvertiert wird.
Die interne Struktur des PDFs ist ebenso wichtig wie das visuelle Layout. Eine Tabelle, die auf dem Bildschirm perfekt ausgerichtet aussieht, wird möglicherweise als Textobjekte in einer Reihenfolge gespeichert, die nicht mit der visuellen Lesereihenfolge übereinstimmt. Die PDF-Erstellungssoftware bestimmt die Reihenfolge der Textobjekte. Einige Anwendungen schreiben Textobjekte in der Reihenfolge, in der sie dem Dokument hinzugefügt wurden, also möglicherweise Spalte für Spalte und nicht Zeile für Zeile. Aus diesem Grund können zwei identisch aussehende PDFs zu unterschiedlichen Konvertierungsergebnissen führen: Ihre interne Reihenfolge der Textobjekte ist unterschiedlich.
Eine PDF-Tabelle wird nicht als Tabelle in der Datei gespeichert. Es wird als einzelne Textobjekte gespeichert, die an bestimmten Koordinaten auf der Seite positioniert sind. Die Konvertierungs-Engine muss sich diese Koordinaten ansehen und ableiten, welche Textobjekte zu welchen Zeilen und Spalten gehören. Der Inferenzalgorithmus nutzt die horizontale und vertikale Ausrichtung von Text, um ihn in Zeilen und Spalten zu gruppieren. Wenn die Ausrichtung nicht eindeutig ist, kann der Algorithmus den Text zunächst nach vertikaler Ausrichtung gruppieren und so Spalten erzeugen, die Zeilen sein sollten.
Zusammengeführte Zellen sind der häufigste Auslöser für eine Transposition. Eine Tabelle mit einer Kopfzeile, die sich über mehrere Spalten erstreckt, erzeugt eine visuelle Struktur, bei der die obere Zeile nicht an den Spaltengrenzen darunter ausgerichtet ist. Die Konvertierungs-Engine betrachtet den zusammengeführten Header und die einzelnen Spalten darunter als zwei unterschiedliche Ausrichtungsmuster. Möglicherweise interpretiert es die zusammengeführte Kopfzeile als mehrspaltige Zeile oder die darunter liegenden Spalten als mehrzeilige Daten, und die Mehrdeutigkeit führt zu einer Transposition. Tabellen, bei denen die erste Spalte zusammengeführte Zellen enthält, die sich über mehrere Zeilen erstrecken, sind gleichermaßen problematisch, da die vertikale Zusammenführung die Zeilenausrichtung stört, die die Engine zum horizontalen Gruppieren von Daten verwendet.
Versuchen Sie es mit PDF in Excel
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Konvertierungseinstellungen anpassen, um eine Transposition zu verhindern
Wenn die PDF-Tabelle mithilfe der Browser-Druckfunktion von einer Webseite generiert wurde, ist die Tabellenstruktur im PDF möglicherweise weniger strukturiert als eine Tabelle aus einer speziellen Berichtsanwendung. Browsergenerierte PDFs weisen häufig eine lockere Ausrichtung zwischen Textelementen auf, was die Tabellenerkennung erheblich erschwert. Wenn möglich, exportieren Sie Tabellen aus der Originalanwendung ins PDF, anstatt sie über einen Browser zu drucken, um die zuverlässigsten Konvertierungsergebnisse zu erzielen.
Einige PDF-Tabellen verwenden abwechselnde Zeilenfarben als visuelle Hilfe für den Leser. Diese wechselnden Farben können den Tabellenerkennungsalgorithmus verwirren, da er unterschiedlich gefärbte Zeilen als zu unterschiedlichen Tabellenabschnitten gehörend erkennt. Das Entfernen der Hintergrundfarben aus der PDF-Datei vor der Konvertierung oder die vorherige Konvertierung in Graustufen beseitigt diese Verwirrungsquelle und verbessert die Konsistenz der Tabellenstrukturerkennung.
Wenn das Konvertierungstool einen Tabellenerkennungsmodus enthält, aktivieren Sie ihn. Die Tabellenerkennung weist die Engine an, nach Gitterlinien, Hintergrundschattierungen und konsistenten Textausrichtungsmustern zu suchen, die auf eine Tabellenstruktur hinweisen. Dieser Modus führt über die standardmäßige Textextraktion hinaus zusätzliche Analysen durch und ermöglicht mit größerer Wahrscheinlichkeit die korrekte Identifizierung der Zeilen- und Spaltenausrichtung. Einige Tools bieten auch eine „Transponierungsausgabe“ an. Kontrollkästchen speziell für Fälle, in denen die Standardextraktion transponierte Daten erzeugt. Wenn Ihre Ausgabe transponiert ist und das Tool über diese Option verfügt, wird durch die Überprüfung bei einem zweiten Konvertierungsversuch die richtige Ausrichtung ermittelt.
Für PDF-Daten extrahieren aus gescannten Tabellen führen Sie OCR speziell im Tabellenmodus aus. Für die allgemeine Texterkennung konzipierte OCR-Engines bewahren möglicherweise nicht die räumlichen Beziehungen zwischen Textblöcken. Eine OCR-Engine im Tabellenmodus behält die Zeilen- und Spaltenstruktur in der erkannten Ausgabe bei. Der PDF-zu-Excel-Konverter von WukongPDF umfasst eine automatische Tabellenstrukturerkennung, die Zeilen- und Spaltenbeziehungen sowohl auf der Grundlage der visuellen Ausrichtung als auch der Inhaltsmuster identifiziert und so die Wahrscheinlichkeit einer Transposition im Vergleich zur generischen Textextraktion verringert.
Fix nach der Konvertierung: Transponieren Sie die Excel-Daten zurück
Überprüfen Sie nach dem Transponieren die Datentypen in jeder Spalte. Möglicherweise hat Excel nach der Transposition eine Zahlenspalte als Text interpretiert, weil die transponierten Daten eine Kopfzeilenbezeichnung in derselben Spalte enthielten. Wählen Sie jede Spalte aus und überprüfen Sie, ob der Datentyp mit dem Inhalt übereinstimmt. Als Text formatierte Zahlen werden nicht korrekt berechnet und als Text formatierte Daten werden nicht chronologisch sortiert. Korrigieren Sie die Datentypen nach der Transposition, um sicherzustellen, dass die Tabelle voll funktionsfähig ist.
Wenn die Ausgabe transponiert ist und eine erneute Konvertierung nicht praktikabel ist, kann Excel die Daten mit wenigen Klicks transponieren. Wählen Sie den transponierten Datenbereich aus, kopieren Sie ihn, klicken Sie mit der rechten Maustaste auf eine neue Position und wählen Sie unter „Einfügeoptionen“ die Option „Transponieren“. Die Zeilen und Spalten werden vertauscht und die ursprüngliche Ausrichtung wiederhergestellt. Dies funktioniert perfekt für einfache Tabellen, bei denen das einzige Problem die Zeilen-/Spaltenumkehr ist. Bei komplexen Tabellen mit zusammengeführten Zellen verarbeitet die Transposition in Excel die zusammengeführten Zellen nicht korrekt und führt möglicherweise zu einem Layout, das sich in schlechterer Weise vom Original unterscheidet.
Vergleichen Sie vor dem Transponieren die ursprüngliche PDF-Tabelle mit der Excel-Ausgabe, um sicherzustellen, dass die Transposition das einzige Problem darstellt. Wenn die Ausgabe außerdem falsch ausgerichtete Zellen, fehlende Daten oder falsch verbundene Zellen enthält, können diese Probleme durch Transponieren nicht behoben werden. In diesen Fällen ist eine manuelle Datenrekonstruktion oder Neukonvertierung mit anderen Einstellungen erforderlich. Der Transpose-Fix ist eine Ein-Klick-Lösung für den speziellen Fall, dass die Daten vollständig und korrekt ausgerichtet, aber falsch ausgerichtet sind.
Vorverarbeitung des PDFs zur saubereren Tabellenextraktion
Wenn die PDF-Tabelle von einer bestimmten Anwendung wie SAP, Oracle Reports oder einem älteren Mainframe-System erstellt wurde, suchen Sie online nach bekannten Konvertierungsproblemen bei der PDF-Ausgabe dieser bestimmten Anwendung. Unternehmensberichtssysteme generieren häufig PDFs mit vorhersehbaren Besonderheiten in der Tabellenstruktur, und andere Benutzer haben möglicherweise die optimalen Konvertierungseinstellungen für diese bestimmte Quelle dokumentiert. Eine gezielte Suche erspart Ihnen das Ausprobieren mehrerer Konvertierungsansätze.
Wenn eine bestimmte PDF-Datei über mehrere Konvertierungsversuche hinweg konsistent eine transponierte Ausgabe erzeugt, verarbeiten Sie die PDF-Datei vor der Konvertierung vor. Verwenden Sie einen PDF-Editor, um Hintergrundschattierungen, Gitterlinien oder dekorative Elemente zu entfernen, die den Tabellenerkennungsalgorithmus verwirren könnten. Eine saubere Tabelle mit schwarzem Text auf weißem Hintergrund und dünnen, konsistenten Gitternetzlinien lässt sich zuverlässiger konvertieren als eine Tabelle mit wechselnden Zeilenfarben, dicken Rändern und eingebetteten Symbolen. Das Entfernen von visuellem Rauschen vor der Konvertierung verbessert die Fähigkeit der Konvertierungs-Engine, die Tabellenstruktur korrekt zu identifizieren.
Passen Sie den Scan bei gescannten Tabellen so an, dass er vollkommen gerade ist. Eine Tabelle, die auch nur in einem Winkel von einem Grad gescannt wird, führt dazu, dass jede Zeile leicht geneigt ist und die Konvertierungs-Engine die Neigung möglicherweise als Spaltenausrichtung interpretiert. Die meisten Scanprogramme verfügen über eine Geradeausrichtungsoption, die die Seite automatisch begradigt. Aktivieren Sie diese Option vor dem Scannen oder verwenden Sie vor der Konvertierung ein Entzerrungstool für die gescannte PDF-Datei. Gerade Zeilen sind für die korrekte Zeilen- und Spaltenerkennung unerlässlich.
Häufig gestellte Fragen
Vermeidet die Konvertierung einer PDF-Tabelle in CSV anstelle von Excel das Umsetzungsproblem? Die CSV-Konvertierung verwendet denselben Tabellenerkennungsalgorithmus wie die Excel-Konvertierung. Wenn der Algorithmus die Daten transponiert, wird auch die CSV-Ausgabe transponiert. Das Ausgabeformat hat keinen Einfluss auf die Erkennungslogik. CSV hat den Vorteil, dass es in einem Texteditor einfacher zu prüfen ist, wodurch die Transposition sofort sichtbar wird, wenn Sie die Datei öffnen und feststellen, dass aus den erwarteten 5 Spalten 20 geworden sind.
Kommt die Transposition bei bestimmten Arten von PDF-Tabellen häufiger vor?
Ja. Tabellen mit zusammengeführten Kopfzellen, Tabellen mit inkonsistenter Anzahl von Spalten pro Zeile und Tabellen, bei denen die erste Spalte eine vertikale Textausrichtung verwendet, werden am häufigsten transponiert. Tabellen mit einfachen, einheitlichen Rasterstrukturen werden selten transponiert. Je regelmäßiger die Tabelle, desto zuverlässiger ist die Konvertierung.
Kann ich die Erkennung und Korrektur transponierter Excel-Ausgaben automatisieren?
Das Vergleichen der Anzahl der Spalten in der Excel-Ausgabe mit der erwarteten Anzahl aus der Originaltabelle ist eine einfache automatisierte Prüfung. Wenn die PDF-Tabelle 5 Spalten und 20 Zeilen hat, die Excel-Ausgabe jedoch 20 Spalten und 5 Zeilen, werden die Daten transponiert. Ein Skript kann diese Nichtübereinstimmung erkennen und entweder die Daten transponieren oder die Datei zur manuellen Überprüfung markieren. Diese automatisierte Qualitätsprüfung erkennt Transpositionen, bevor die Daten in nachgelagerte Arbeitsabläufe gelangen.
Warum wird dieselbe PDF-Tabelle bei einem Versuch korrekt konvertiert und bei einem anderen transponiert?
Dies liegt in der Regel daran, dass bei den beiden Versuchen leicht unterschiedliche Konvertierungseinstellungen verwendet wurden oder dass das Konvertierungstool je nach Dateigröße oder Komplexitätsschwellen einen anderen internen Verarbeitungspfad verwendet. Wenn Sie auf inkonsistente Ergebnisse stoßen, dokumentieren Sie die genauen Einstellungen, die die korrekte Ausgabe erzeugen, und verwenden Sie diese Einstellungen für alle zukünftigen Konvertierungen ähnlicher Tabellen.
Versuchen Sie es mit PDF in Excel
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.