サプライヤーから最新の製品カタログが PDF として送信されます。これは、SKU、説明、価格、在庫レベルが表形式で整理された 40 ページの製品です。在庫管理システムにインポートするには、Excel でこのデータが必要です。 40 ページの製品データを手動で再入力するには丸 1 日かかり、必然的にエラーが発生します。 PDF 製品カタログを Excel スプレッドシートに直接変換すると、数分でデータが抽出されます。
製品カタログまたは価格表を PDF から Excel に変換すると、テーブル構造が保持され、データが列と行に抽出されます。 The quality of the extraction depends on how the catalog was created. A catalog exported from a database as a text-based PDF converts cleanly. A catalog that was designed in a page layout program with complex formatting requires more cleanup.
製品カタログと標準の PDF テーブルの違い
製品カタログには、抽出エンジンの課題となる特定の構造的特徴があります。複数の列にまたがる製品カテゴリのセルを結合しました。複数の行を占める複数行の製品説明。商品行の間に埋め込まれた画像。読みやすくするために行の色を交互にしています。会社名とページ番号を繰り返すページのヘッダーとフッター。抽出エンジンは、どの行が実際の製品データであるか、どの行がカテゴリ ヘッダーであるか、どの行が無視されるべきページ家具であるかを識別する必要があります。
WukongPDF の抽出エンジンは、ページの空間レイアウトを分析することでこれらの構造要素を検出します。カテゴリ ヘッダーは、その幅と太字の書式設定によって識別されます。製品行は、複数の行にわたる一貫した列の配置によって識別されます。ページのヘッダーとフッターは、各ページで繰り返される位置によって識別されます。このエンジンは、ページ家具をフィルタリングしながら製品データ行を抽出し、よりクリーンなスプレッドシートを生成します。
ステップバイステップ: 製品カタログを Excel に変換する
PDF カタログを WukongPDF の PDF-to-Excel ツールにアップロードします。出力形式として Excel を選択します。このツールはドキュメントを処理し、.xlsx ファイルを生成します。ファイルをダウンロードして開きます。データは、元のカタログ内の SKU、説明、価格、およびその他のフィールドの列を含むスプレッドシートに表示されます。各製品は 1 行を占める必要があります。最初の行には、カタログから検出された列ヘッダーが含まれる場合があります。
抽出されたデータに構造の問題がないか確認します。製品データと一緒に抽出されたカテゴリヘッダー行は分離する必要があります。これらの行は通常、表の幅全体に広がり、最初の列にはテキストのみが含まれます。これらを別のカテゴリ列に移動するか、製品レベルのデータのみが必要な場合は削除してください。複数の行に分割された複数行の製品説明は、単一のセルにマージする必要があります。 Excel のセルの結合機能を使用するか、手動でセルを統合します。
抽出された価格と数値データのクリーンアップ
Prices in PDF catalogs often include currency symbols, commas, and spaces that Excel treats as text rather than numbers. 「$ 1,234.56」を含むセルは、 will not sum correctly. Use Excel's Find and Replace to strip currency symbols and spaces. Then use the VALUE function or Text to Columns to convert the text to numbers.
在庫レベルと数量には「個」などの単位が含まれる場合があります。または「kg」数値と単位列に分ける必要があります。 Excel の [テキストを列に変換] をスペース区切りで使用するか、数式を使用して数値部分を抽出します。 PDF データをきれいな数値列に抽出 には数分かかりますが、在庫システムに直接インポートできるスプレッドシートが生成されます。
異なるテーブル レイアウトを持つ複数ページのカタログの処理
一部のカタログでは、セクションごとに表のレイアウトが変更されます。最初の 10 ページは 3 列の製品表になる場合があります。次の 10 ページは、別の製品カテゴリの 5 列の表になる場合があります。各セクションを個別に抽出します。 PDF をアップロードし、最初のセクションのページ範囲を指定します。抽出する。後続のセクションごとに繰り返します。抽出したスプレッドシートに一貫した列ヘッダーを追加して統合します。このセクションごとのアプローチでは、混合レイアウトを使用して 1 回のパスでカタログ全体を抽出するよりもきれいなデータが生成されます。
抽出してクリーンアップした後、Excel ファイルを保存します。静的 PDF にロックされていた製品データは、構造化されたスプレッドシートになり、インポート、分析、またはビジネス システムとの統合が可能になります。カタログを定期的に更新する場合は、クリーンアップ手順を Excel マクロまたはテンプレートとして保存します。来月、サプライヤーが更新されたカタログを送信するときに、同じ抽出を実行し、同じクリーンアップ手順を適用します。 PDF Converter のワークフローは、初回は 1 時間かかりましたが、2 回目では 10 分かかり、3 回目の更新では定型タスクになります。
製品画像を含むカタログの実際的なテクニック: 抽出後、各製品行が正しい画像に対応していることを確認します。抽出エンジンは、画像を隣接するセルまたは別々の行に配置する場合があります。 Excel で「画像」というラベルの列を作成します。各行の横にある画像が製品説明と一致していることを手動で確認します。このデータを電子商取引プラットフォームにインポートすることが目的の場合、画像と商品のマッピングが正しくなければなりません。画像が間違っているということは、Web サイトのリストに間違った製品写真が表示されていることを意味します。
「1-99: $10、100-499: $8、500+: $6」など、非標準形式で表示されるボリューム ディスカウントまたは段階的な価格設定を含む価格表の場合、すべてを 1 つのセルにまとめた場合は、抽出後にこれらを別々の行または列に分割します。 Excel の Text to Columns を適切な区切り文字とともに使用します。データを並べ替え、フィルタリングし、行ごとに 1 つの価格を期待する下流システムにインポートできるように、各数量層とその価格は独自のセルを占有する必要があります。
抽出後、価格設定の異常を検出するためにデータ検証列を追加します。カタログに「希望小売価格」の欄がある場合は、 「あなたの価格」の列。価格が小売価格を超えている行にフラグを付ける数式を追加します。これらの異常は、変換中に 2 つの価格列が交換されるなどの抽出エラー、または調査が必要な本物のデータの問題を示している可能性があります。式ベースの検証により、データ抽出とデータ使用の間に品質ゲートが追加されます。