PDF から表データを Excel に抽出すると、行はページに表示される順序で到着します。地域ごとにグループ化された販売記録や仕入先ごとにグループ化された請求書など、これらの行をカテゴリごとに個別のワークシートに並べ替える必要がある場合、手動のカット アンド ペーストのアプローチは 10 行の場合は機能しますが、数百行の場合は非現実的になります。問題は、PDF から Excel への変換ツールが抽出プロセス中にデータを自動的に並べ替えて分類できるかどうか、またはデータが Excel に到着した後に並べ替えを処理する必要があるかどうかです。
重要なポイント
標準の PDF から Excel への変換では、データの並べ替えや分類は行われません。ページ順に行を抽出し、単一のワークシートに配置します。カテゴリ値ごとに個別のワークシートに自動分類するには、変換後の Excel マクロ、Power Query 変換、または組み込みの分類ロジックを備えた高度な抽出ツールのいずれかが必要です。最適なアプローチは、分類が 1 回限りのタスクであるか、繰り返し行われるワークフローであるかによって異なります。
標準の PDF から Excel への変換でできることとできないこと
標準の変換ツールは、PDF ページの視覚的なレイアウトを読み取り、グリッド線と整列したテキスト ブロックを検出して表の構造を識別し、検出されたセルを Excel のセルにマップします。出力では、元のテーブルの行順序と列構造が保持されます。 PDFを忠実に再現しておりますが、データ加工ではございません。このツールは、データの意味を理解するためにセルの内容を読み取ることはありません。 「West」を含む行「地域」列と「East」を含む行に、同様に抽出されます。このツールには、これらの行が異なるカテゴリに属していることを検出するメカニズムがありません。
一部の高度なPDF データの抽出 ツールは、視覚的な抽出を超えて、パターン認識を適用してテーブル内のカテゴリ フィールドを識別します。これらのツールは、実質的に「抽出されたデータの列 C をスキャンし、その列の一意の値を特定し、一意の値ごとに個別の出力を作成する」というルールを使用して構成できます。これは標準の PDF 変換ではありません。これは、OCR、表認識、データ変換の交差点に位置する特殊なデータ抽出機能です。ワークフローでこれが必要な場合は、機能リストでデータの分類またはデータのグループ化を明示的に宣伝するツールを探してください。
Excel マクロと Power Query を使用した変換後の並べ替え
マクロや Power Query を完全に避けたいユーザーにとって、Excel の組み込みフィルターおよび並べ替え機能と手動ワークシート作成を組み合わせるのは、中程度のサイズのデータセットに対する有効なアプローチです。カテゴリ列にフィルターを適用し、一度に 1 つのカテゴリ値を選択し、フィルターされた行をコピーして、新しいワークシートに貼り付けます。 5 つのカテゴリと 200 行を含むデータセットの場合、この手動アプローチには約 5 分かかり、セットアップや基本的な Excel ナビゲーション以外の技術的な知識は必要ありません。
最も広く適用可能なアプローチは、PDF テーブル全体を 1 つの Excel シートに変換し、Excel の組み込みツールを使用してデータを並べ替えたり分割したりすることです。単純な VBA マクロを使用すると、指定された列の一意の値を読み取り、一意の値ごとに新しいワークシートを作成し、一致する行を適切なシートにコピーできます。このマクロは、数千行のデータセットを実行するのに 1 分もかかりません。また、自動化されたパターン認識のあいまいさなしに、指定どおりに正確に分類を実行します。
Power Query は、Excel のデータ変換ツールに慣れているユーザーにマクロを使用しない代替手段を提供します。 [データ] タブから、変換されたデータを Power Query に読み込みます。 Group By 機能を使用して、カテゴリごとに行を集計するか、カテゴリ値ごとにデータをフィルタリングし、フィルタリングされた各結果を別のワークシートにロードします。 Power Query の変換は反復可能です。クエリを保存し、次回同様の構造の PDF を変換するときにクエリを更新して、同じ並べ替えロジックを新しいデータに適用します。繰り返しのワークフローの場合、Power Query は、変換手順がクエリ エディターに表示され、コードを読まなくても調整できるため、VBA マクロよりも保守しやすくなっています。
定期的な PDF インポートのための自動分類のセットアップ
定期的な PDF インポート用の Power Query 変換を構築する場合は、PDF ファイル名をクエリ パラメーターとして使用して、変更せずに新しいファイルに対して同じクエリが機能するようにします。 Power Query エディターで、FilePath というパラメーターを作成し、データ ソース ステップでそれを参照します。新しい PDF を受け取るたびに、新しいファイルを指すように FilePath パラメータを更新して更新します。カテゴリベースの並べ替えやワークシートの分割を含む変換全体が、新しいデータに対して自動的に実行されます。
週次販売レポートや月次請求書バッチなど、同様の構造の PDF テーブルを定期的に受け取る場合は、時間をかけて反復可能なワークフローを設定してください。まず、代表的な PDF を 1 つ Excel に変換します。 Power Query を開き、必要に応じてデータを正確にフィルター、並べ替え、分割する変換を記録します。クエリを保存します。後続の PDF の場合は、Excel に変換し、ワークブックを開いて、クエリを更新します。クエリが設定されると、PDF の到着から分類された Excel データまでのプロセス全体に 2 分もかかりません。
1 日に数十の PDF を扱う大量のワークフローの場合は、API を介して PDF 変換をスプレッドシート出力に接続する専用のデータ抽出プラットフォームを検討してください。これらのプラットフォームでは、どの列にカテゴリ データが含まれるか、および出力をどのように分割するかを指定する抽出テンプレートを定義できます。テンプレートは一度設定されると、受信するすべての PDF に自動的に適用されます。この機能を備えたプラットフォームには、エンタープライズ文書処理サービスや一部のクラウドベースの PDF API プロバイダーが含まれます。 WukongPDF の PDF から Excel への変換では、Power Query 変換に対応できるクリーンで構造化されたテーブル出力が生成されます。一貫した列マッピングにより、類似したドキュメントのバッチ間で自動分類の信頼性が高まります。
それでも手動による分類が最良の選択である場合
ハイブリッド ワークフローは、自動化が日常的なケースを処理し、手動レビューがエッジ ケースを処理する場合に効果的です。カテゴリ列に標準値が含まれる行を、指定されたワークシートに自動的に並べ替えるように Power Query を設定します。標準以外のカテゴリ値または空白のカテゴリ値を含む行はレビュー ワークシートに送られ、そこでユーザーが正しい分類を決定できます。このアプローチでは、あいまいなデータについてシステムに推測を強制することなく、自動化範囲を最大化します。
自動化が常に正しい答えであるとは限りません。ドキュメントごとに構造が異なる表を含む少数の PDF を受け取った場合、マクロまたは Power Query の構成にかかる時間が、データを手動で並べ替えるのにかかる時間を超える可能性があります。 50 行未満の 1 回限りのタスクの場合、各カテゴリの行を選択して新しいシートに切り取って貼り付けるのに数分かかり、セットアップは必要ありません。通常、損益分岐点は、同じドキュメント構造が 3 回出現するあたりです。同じ種類の PDF に対して同じ分類を 3 回以上実行する場合は、自動化の効果が得られます。
カテゴリロジックに人間の判断が必要な場合、手動による分類も意味があります。 「West」などの値を含む地域列。 「東」 「セントラル」自動分割は簡単です。標準化されたコードではなく語句に基づいて緊急項目と非緊急項目を区別するなど、テキスト説明の内容によってカテゴリが暗示されているメモ列には、人間の読者が必要です。ニュアンスの異なる非構造化テキストに基づいてデータを確実に分類できる自動ツールはありません。このような場合は、すべてのデータを 1 つのシートに抽出し、手動で分類します。
よくある質問
PDF 表が複数のページにまたがり、ヘッダー行が繰り返されている場合はどうすればよいですか?ほとんどの PDF から Excel へのコンバーターは、ヘッダー行が各ページで繰り返される場合、ヘッダー行をデータとして扱います。変換後、ヘッダー テキストが各改ページでデータ行に散在していることがわかります。 Excel のフィルターを使用して、最初の列にヘッダー テキストが含まれるすべての行を選択して削除します。ヘッダー行がデータとして誤って分類される可能性があるため、このクリーンアップ手順は並べ替えや分類を実行する前に必要です。
PDF テーブル データを個別のワークシートではなく個別の Excel ファイルに分割できますか?
はい。 VBA マクロと Power Query は両方とも、各カテゴリのデータを、同じブック内の個別のワークシートではなく、個別の Excel ブックに保存できます。 VBA では、Workbooks.Add メソッドと SaveAs メソッドを使用します。 Power Query では、フィルター処理された各結果を個別の接続に読み込み、各接続を独自のファイルにエクスポートします。ワークシートとワークブックのどちらを選択するかは、データがどのように分散されるかによって異なります。各カテゴリのデータが別の人に送信される場合は、別々のワークブックの方がすっきりします。
PDF 表に複数のカテゴリにまたがるセルが結合されている場合はどうなりますか?
セルの結合は、自動分類における既知の問題です。地域列で結合されたセルを使用して複数の行に「西」というラベルが付けられている PDF テーブル。グループの最初の行にのみ表示されるラベルを使用して抽出されます。並べ替える前に、すべての行にカテゴリ値が含まれるようにカテゴリ列を埋めます。 Excel で列を選択し、Ctrl+G を押して、[特殊] をクリックし、[空白] を選択して、「=」と入力して上矢印を押し、Ctrl+Enter を押します。これにより、すべての空白セルが上のセルの値で埋められます。
OCR の精度はカテゴリベースの並べ替えに影響しますか?
はい、かなりです。 OCR が「西」を読み間違えた場合は、 「ウエスト」として。または「VVest」これらの値は、並べ替えられた出力では別のカテゴリになります。変換後、並べ替える前に、カテゴリ列の一意の値を必ず確認してください。カテゴリ列のピボット テーブルをざっとスキャンすると、OCR エラーがすぐにわかります。分類を実行する前に、手動または検索と置換パスを使用してエラーを修正してください。