PDF の表を Excel に変換し、結果を開き、数値が入るはずのセルが空になっているスプレッドシートを見つめます。元の PDF には明らかにその位置にデータがありました。画面上で見ることができます。しかし、Excel ファイルにはギャップ、欠損値、または行全体が空白の空白になった状態で送信されました。これは、何が問題だったのか、どのように修正すればよいのかが明らかではないため、PDF から Excel への変換で最もイライラする結果の 1 つです。
通常、根本原因は変換ツール自体ではありません。これは、PDF がテーブル データを保存する方法と、変換エンジンが検索すると期待するデータとの間に不一致があります。空白セルの具体的な理由を理解すると、問題は謎に包まれたものではなく、解決可能なものになります。
PDF には実際のテーブル データではなく、テーブルの画像が含まれています
これは、PDF から Excel への変換後に空白セルが発生する最も一般的な理由です。 PDF がスキャン、スクリーンショット、または出力をラスター化したアプリケーションからの PDF への出力から作成された場合、ページに表示される表はフラットなイメージになります。変換ツールが解析できる基礎となるデータ セル、行と列の構造、テキスト ストリームはありません。
変換ツールが画像ベースのテーブルに遭遇した場合、変換ツールには 2 つの選択肢があります。OCR を実行してテキストを認識し、テーブル構造を再構築しようとするか、解析できないため画像を完全にスキップするかです。多くの基本的なPDF から Excel へのコンバーターは 2 番目のパスを使用します。彼らは見つけられる実際のデータを抽出し、画像ベースのコンテンツは除外します。結果は、表の画像があった部分に空白のセルが含まれたスプレッドシートになります。修正するには、WukongPDF のような OCR を含む PDF Converter を使用します。OCR は、画像内のテキストを認識し、テーブル グリッドを再構築します。変換はピクセル完璧ではありませんが、データは空白スペースに消えるのではなく、セル内に表示されます。
テーブル レイアウトで複雑な結合セルまたはネストされたセルが使用されている
テーブルが実際のテキスト データで構成されている場合でも、元のアプリケーションの構造によっては変換エンジンが無効になる可能性があります。 Microsoft Excel、Google スプレッドシート、レポート ソフトウェアなどのアプリケーションでは、単一のヘッダーが複数の列にまたがる結合されたセルを含む表、セル内に別のミニテーブルが含まれる入れ子になった表、または親列と子列のグループ化を持つ複数レベルのヘッダーを作成することがよくあります。
PDF はテーブル構造を表すように設計されていません。これは、ページ上の特定の X、Y 座標に文字を配置するように設計されています。 PDF は、表を何千もの独立した文字位置決めコマンドとして保存します。変換エンジンは、これらの文字の空間配置を分析することにより、テーブル構造をリバース エンジニアリングする必要があります。セルが結合されると、この分析が非常に複雑になります。人間の読者には 1 つの論理セルのように見えるものでも、変換エンジンにとっては、1 つの幅の広いセルまたは複数の幅の狭いセルであるあいまいな領域にまたがるテキストのように見えます。エンジンの推測が間違っている場合、データは間違った列に配置されたり、セル間で分割されたり、エンジンが曖昧さを解決できなかったため省略されたりします。
ドキュメントが PDF に変換されると元のテーブル構造が失われるため、この問題に対する完全な普遍的な修正はありません。元のファイルにアクセスできる場合は、PDF から Excel への変換ではなく、Excel または Google スプレッドシートから .xlsx 形式に直接エクスポートすると、テーブル構造が完全に保持されます。 PDF が唯一のコピーである場合は、高度なテーブル検出機能を備えた変換ツール (手動で列境界を定義したり、検出されたテーブル領域を調整したりできるツール) を使用すると、データをきれいに復元できる可能性が高くなります。
区切り文字情報の不一致または欠落
変換エンジンは、文字グループ間の水平方向のギャップを分析することにより、列の境界を検出します。 2 つの列が非常に接近している場合、エンジンはそれらを 1 つに結合することがあります。列にテキストの量が大きく異なるセルが含まれている場合、エンジンは狭い箇所で列を複数の列に分割することがあります。どちらのエラーでも、2 つの別々の列を満たすはずのデータが 1 つの列に詰め込まれ、もう 1 つの列が空になったか、またはファントム列の区切りによりデータが存在しないセルが作成されたため、空白のセルが生成されます。
元の文書に空白セルがある表では、この問題の特に厄介なバリエーションが発生します。元のテーブルに意図的に空のセルがある場合、変換エンジンはより大きなギャップを認識し、列境界の検出がずれて、ギャップの下のすべての行の位置がずれる可能性があります。行 3 に 1 つの空白セルがあると、行 4 ～ 50 の列マッピング全体が崩れ、変換失敗のように見えても、実際にはソース文書の構造的曖昧さである不整合なデータのカスケードが生成される可能性があります。
次回の変換時に空白セルを最小限に抑える方法
いくつかの実際的な調整により、変換の成功率が大幅に向上します。まず、汎用の PDF からテキストへのコンバーターではなく、テーブル構造の検出をサポートするツールを常に使用してください。 PDF データの抽出 専用に設計されたツールは、テーブル レイアウトでトレーニングされたアルゴリズムを使用し、汎用のテキスト抽出よりも大幅に優れた結果を生成します。 WukongPDF の PDF から Excel への変換には、結合されたセル、マルチレベルのヘッダー、データ型が混在するテーブルなどの一般的なレイアウトを処理するテーブル構造検出が含まれています。
次に、変換する前に PDF を確認します。 PDF ビューアを使用して表からテキストの個々のセルまたは列を選択してコピーできる場合、表は実際のテキスト データで構成されており、適切に変換されます。表をクリックして全体が 1 つのブロックとしてハイライト表示される場合、またはテキスト選択がまったく機能しない場合は、表は画像であるため、OCR ベースの変換が必要です。
第三に、出力をクリーンアップする準備をします。最高の変換ツールでも、手動による調整が必要なスプレッドシートが作成されます。各列の最初の数行をチェックして、値が正しい列に配置されていることを確認します。元の PDF のその位置にデータが表示される場合は、完全に空白の列を探します。これらは、ツールが列の境界を誤って認識したことを示しています。最初の数行の列マッピングを修正すると、多くの場合、修正がスプレッドシートの残りの部分に連鎖的に適用されます。
変換により空白セルが生成され続ける場合の対処法
複数のツールを試しても、変換によって常に特定の位置に空白セルが生成される場合は、問題はツールではなく PDF 自体にある可能性があります。テーブル データはベクトル グラフィックとして保存でき、数値はテキスト文字としてエンコードされるのではなく、形状として描画されます。これは、古い CAD ソフトウェア、特殊なレポート ツール、またはテキスト配置ではなくグラフィック描画コマンドを介して出力を PDF にレンダリングする一部のエンタープライズ リソース プランニング システムによって生成された PDF で最もよく発生します。このような場合、OCR が唯一のオプションです。ベクトル描画された表形式データの OCR は本質的にエラーが発生しやすいため、出力を手動で確認して修正する必要があります。
自動変換が繰り返し失敗する場合の最も生産的なフォールバックは、高解像度で表のスクリーンショットを取得し、表認識に特化した専用の OCR ツールでそれを実行し、Excel にエクスポートすることです。この 2 段階のプロセス (スクリーンショットと OCR) は、PDF の内部データ表現を完全にバイパスし、テーブルを純粋な画像として扱います。皮肉なことに、特定の種類の不正な PDF に対しては、破損したテキスト データや非標準のテキスト データを解析するよりも信頼性が高くなります。