L'extraction des données d'un tableau d'un PDF vers Excel devrait produire une feuille de calcul dans laquelle les lignes et les colonnes correspondent au tableau d'origine. Mais parfois, le résultat est transposé. Les lignes deviennent des colonnes, les colonnes deviennent des lignes et les données sont brouillées. Ce n'est pas une erreur aléatoire. Cela a des causes spécifiques liées à la façon dont le moteur de conversion PDF vers Excel interprète la présentation visuelle du tableau. Comprendre pourquoi la transposition se produit vous aide à choisir les paramètres de conversion qui produisent une sortie correctement orientée.
Points clés à retenir
La transposition PDF vers Excel se produit lorsque le moteur de conversion identifie mal le sens de lecture du tableau, généralement en raison de cellules fusionnées, de largeurs de colonnes incohérentes ou de texte visuellement aligné en lignes mais stocké dans le PDF dans l'ordre des colonnes. Le correctif dépend de la cause. L'ajustement des paramètres de conversion, le prétraitement du PDF pour clarifier la structure du tableau ou le post-traitement de la sortie Excel pour transposer les données dans la bonne orientation répondent tous à différentes causes profondes.
Pourquoi les données du tableau PDF sont transposées lors de l'extraction
Les tableaux qui utilisent des points de repère ou d'autres connecteurs visuels entre les colonnes, comme une table des matières avec des points reliant les titres de chapitre aux numéros de page, sont presque garantis d'être transposés car les points de repère créent une ligne visuelle continue que l'algorithme de détection interprète comme un séparateur de ligne. Supprimez les points de repère du document source avant de créer le PDF si le tableau sera ultérieurement reconverti en Excel.
La structure interne du PDF compte autant que la présentation visuelle. Un tableau qui semble parfaitement aligné à l'écran peut être stocké sous forme d'objets texte dans un ordre qui ne correspond pas à l'ordre de lecture visuelle. Le logiciel de création de PDF détermine l'ordre des objets texte. Certaines applications écrivent les objets texte dans l'ordre dans lequel ils ont été ajoutés au document, qui peut être colonne par colonne plutôt que ligne par ligne. C'est pourquoi deux PDF apparemment identiques peuvent produire des résultats de conversion différents : l'ordre interne de leurs objets texte est différent.
Un tableau PDF n'est pas stocké sous forme de tableau dans le fichier. Il est stocké sous forme d'objets texte individuels positionnés à des coordonnées spécifiques sur la page. Le moteur de conversion doit examiner ces coordonnées et déduire quels objets texte appartiennent à quelles lignes et colonnes. L'algorithme d'inférence utilise l'alignement horizontal et vertical du texte pour le regrouper en lignes et colonnes. Lorsque l'alignement est ambigu, l'algorithme peut d'abord regrouper le texte par alignement vertical, produisant ainsi des colonnes qui devraient être des lignes.
Les cellules fusionnées sont le déclencheur de transposition le plus courant. Un tableau avec une ligne d'en-tête qui s'étend sur plusieurs colonnes crée une structure visuelle dans laquelle la ligne supérieure ne s'aligne pas avec les limites des colonnes situées en dessous. Le moteur de conversion considère l'en-tête fusionné et les colonnes individuelles situées en dessous comme deux modèles d'alignement différents. Il peut interpréter l'en-tête fusionné comme une ligne à plusieurs colonnes, ou il peut interpréter les colonnes situées en dessous comme des données à plusieurs lignes, et l'ambiguïté conduit à une transposition. Les tableaux dont la première colonne contient des cellules fusionnées s'étendant sur plusieurs lignes sont également problématiques car la fusion verticale perturbe l'alignement des lignes que le moteur utilise pour regrouper les données horizontalement.
Essayez PDF vers Excel
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.
Ajuster les paramètres de conversion pour empêcher la transposition
Si le tableau PDF a été généré à partir d'une page Web à l'aide de la fonction d'impression du navigateur, la structure du tableau dans le PDF peut être moins structurée qu'un tableau provenant d'une application de reporting dédiée. Les PDF générés par le navigateur présentent souvent un alignement plus lâche entre les éléments de texte, ce qui rend la détection des tableaux beaucoup plus difficile. Lorsque cela est possible, exportez les tableaux au format PDF à partir de l'application d'origine plutôt que de les imprimer à partir d'un navigateur pour obtenir les résultats de conversion les plus fiables.
Certains tableaux PDF utilisent des couleurs de lignes alternées comme aide visuelle pour les lecteurs. Ces couleurs alternées peuvent perturber l'algorithme de détection de tableau car il considère les lignes de couleurs différentes comme appartenant à différentes sections du tableau. La suppression des couleurs d'arrière-plan du PDF avant la conversion, ou la conversion préalable en niveaux de gris, supprime cette source de confusion et améliore la cohérence de la détection de la structure des tableaux.
Si l'outil de conversion inclut un mode de détection de table, activez-le. La détection de tableau indique au moteur de rechercher le quadrillage, l'ombrage d'arrière-plan et les modèles d'alignement de texte cohérents qui indiquent une structure de tableau. Ce mode applique une analyse supplémentaire au-delà de l'extraction de texte par défaut et est plus susceptible d'identifier correctement l'orientation des lignes et des colonnes. Certains outils proposent également une « sortie de transposition ». case à cocher spécifiquement pour gérer les cas où l’extraction par défaut produit des données transposées. Si votre sortie est transposée et que l'outil dispose de cette option, la vérifier lors d'une deuxième tentative de conversion produira l'orientation correcte.
Pour Extraire les données PDF des tableaux numérisés, exécutez l'OCR spécifiquement en mode tableau. Les moteurs OCR conçus pour la reconnaissance générale de texte peuvent ne pas préserver les relations spatiales entre les blocs de texte. Un moteur OCR en mode tableau préserve la structure des lignes et des colonnes dans la sortie reconnue. Le convertisseur PDF vers Excel de WukongPDF inclut une détection automatique de la structure des tableaux qui identifie les relations entre les lignes et les colonnes en fonction de l'alignement visuel et des modèles de contenu, réduisant ainsi le risque de transposition par rapport à l'extraction de texte générique.
Correction post-conversion : transposer les données Excel en arrière
Après la transposition, vérifiez les types de données dans chaque colonne. Excel peut avoir interprété une colonne de nombres comme du texte après transposition, car les données transposées incluaient une étiquette d'en-tête dans la même colonne. Sélectionnez chaque colonne et vérifiez que le type de données correspond au contenu. Les nombres formatés sous forme de texte ne seront pas calculés correctement et les dates formatées sous forme de texte ne seront pas triées par ordre chronologique. Corrigez les types de données après la transposition pour garantir que la feuille de calcul est entièrement fonctionnelle.
Si la sortie est transposée et que la reconversion n'est pas pratique, Excel peut transposer les données en quelques clics. Sélectionnez la plage de données transposées, copiez-la, cliquez avec le bouton droit sur un nouvel emplacement et sous Options de collage, sélectionnez « Transposer ». Les lignes et les colonnes sont permutées, rétablissant l'orientation d'origine. Cela fonctionne parfaitement pour les tableaux simples où le seul problème est l’inversion ligne/colonne. Pour les tableaux complexes avec des cellules fusionnées, la transposition dans Excel ne gère pas correctement les cellules fusionnées et peut produire une disposition pire que l'originale.
Avant de transposer, comparez le tableau PDF d'origine avec la sortie Excel pour confirmer que la transposition est le seul problème. Si la sortie comporte également des cellules mal alignées, des données manquantes ou des cellules mal fusionnées, la transposition ne résoudra pas ces problèmes. Dans ces cas, une reconstruction ou une reconversion manuelle des données avec des paramètres différents est nécessaire. Le correctif de transposition est une solution en un clic pour le cas spécifique où les données sont complètes et correctement alignées mais mal orientées.
Prétraitement du PDF pour une extraction de table plus propre
Si le tableau PDF a été créé par une application spécifique, telle que SAP, Oracle Reports ou un système mainframe existant, recherchez en ligne les problèmes de conversion connus avec la sortie PDF de cette application spécifique. Les systèmes de reporting d'entreprise génèrent souvent des PDF avec des bizarreries prévisibles en matière de structure de tableau, et d'autres utilisateurs peuvent avoir documenté les paramètres de conversion optimaux pour cette source spécifique. Une recherche ciblée évite les essais et erreurs liés au test de plusieurs approches de conversion.
Si un PDF particulier produit systématiquement une sortie transposée lors de plusieurs tentatives de conversion, prétraitez le PDF avant la conversion. Utilisez un éditeur PDF pour supprimer les ombres d'arrière-plan, les quadrillages ou les éléments décoratifs susceptibles de perturber l'algorithme de détection du tableau. Un tableau épuré avec du texte noir sur fond blanc et un quadrillage fin et cohérent est converti de manière plus fiable qu'un tableau avec des couleurs de lignes alternées, des bordures épaisses et des icônes intégrées. La suppression du bruit visuel avant la conversion améliore la capacité du moteur de conversion à identifier correctement la structure de la table.
Pour les tableaux numérisés, ajustez le scan pour qu’il soit parfaitement droit. Un tableau analysé même à un angle d'un degré entraîne une légère pente de chaque ligne et le moteur de conversion peut interpréter la pente comme un alignement de colonne. La plupart des logiciels de numérisation incluent une option de redressement qui redresse automatiquement la page. Activez cette option avant de numériser ou utilisez un outil de redressement sur le PDF numérisé avant la conversion. Les lignes droites sont essentielles pour une détection correcte des lignes et des colonnes.
Foire aux questions
La conversion d'un tableau PDF en CSV au lieu d'Excel évite-t-elle le problème de transposition ? La conversion CSV utilise le même algorithme de détection de table que la conversion Excel. Si l'algorithme transpose les données, la sortie CSV sera également transposée. Le format de sortie n'affecte pas la logique de détection. Le CSV a l'avantage d'être plus facile à inspecter dans un éditeur de texte, ce qui rend la transposition immédiatement visible lorsque vous ouvrez le fichier et constatez que les 5 colonnes attendues sont devenues 20.
La transposition se produit-elle davantage avec certains types de tableaux PDF ?
Oui. Les tableaux avec des cellules d'en-tête fusionnées, les tableaux avec un nombre de colonnes par ligne incohérent et les tableaux dont la première colonne utilise l'orientation verticale du texte sont les plus susceptibles d'être transposés. Les tableaux aux structures de grille simples et uniformes sont rarement transposés. Plus le tableau est régulier, plus la conversion est fiable.
Puis-je automatiser la détection et la correction des sorties Excel transposées ?
Vérifier le nombre de colonnes dans la sortie Excel par rapport au nombre attendu du tableau d'origine est une simple vérification automatisée. Si le tableau PDF comporte 5 colonnes et 20 lignes mais que la sortie Excel comporte 20 colonnes et 5 lignes, les données sont transposées. Un script peut détecter cette inadéquation et soit transposer les données, soit signaler le fichier pour une révision manuelle. Ce contrôle de qualité automatisé détecte la transposition avant que les données n'entrent dans les flux de travail en aval.
Pourquoi un même tableau PDF se convertit-il correctement à un essai et se transpose à un autre ?
Cela est généralement dû à des paramètres de conversion légèrement différents utilisés lors des deux tentatives, ou à l'outil de conversion utilisant un chemin de traitement interne différent en fonction de la taille du fichier ou des seuils de complexité. Si vous rencontrez des résultats incohérents, documentez les paramètres exacts qui produisent le résultat correct et utilisez ces paramètres pour toutes les conversions futures de tables similaires.
Essayez PDF vers Excel
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.