Een leverancier stuurt u zijn nieuwste productcatalogus als PDF. Het zijn 40 pagina's met producten met SKU's, beschrijvingen, prijzen en voorraadniveaus, gerangschikt in tabelformaat. U heeft deze gegevens in Excel nodig om in uw voorraadbeheersysteem te importeren. Het handmatig overtypen van 40 pagina's met productgegevens zou een hele werkdag in beslag nemen en onvermijdelijk fouten introduceren. Door de PDF-productcatalogus rechtstreeks naar een Excel-spreadsheet te converteren, worden de gegevens binnen enkele minuten geëxtraheerd.
Bij een conversie van PDF naar Excel van een productcatalogus of prijslijst blijft de tabelstructuur behouden en worden de gegevens in kolommen en rijen geëxtraheerd. De kwaliteit van de extractie hangt af van hoe de catalogus tot stand is gekomen. Een catalogus die vanuit een database wordt geëxporteerd als een op tekst gebaseerde PDF, wordt netjes geconverteerd. Een catalogus die is ontworpen in een pagina-indelingsprogramma met complexe opmaak vereist meer opschoning.
Hoe productcatalogi verschillen van standaard PDF-tabellen
Productcatalogi hebben specifieke structurele kenmerken die afzuigmotoren uitdagen. Samengevoegde cellen voor productcategorieën die meerdere kolommen beslaan. Productbeschrijvingen met meerdere regels die meerdere rijen beslaan. Afbeeldingen ingebed tussen productrijen. Afwisselende rijkleuren voor leesbaarheid. Paginakop- en voetteksten waarin de bedrijfsnaam en het paginanummer worden herhaald. De extractie-engine moet identificeren welke rijen daadwerkelijke productgegevens zijn, welke categoriekoppen zijn en welke paginameubilair is dat moet worden genegeerd.
De extractie-engine van WukongPDF detecteert deze structurele elementen door de ruimtelijke indeling van de pagina te analyseren. Categoriekoppen worden geïdentificeerd aan de hand van hun overspannende breedte en vetgedrukte opmaak. Productrijen worden geïdentificeerd door hun consistente kolomuitlijning over meerdere rijen. Paginakop- en voetteksten worden geïdentificeerd door hun herhalende positie op elke pagina. De engine extraheert de rijen met productgegevens terwijl het paginameubilair eruit wordt gefilterd, waardoor een schonere spreadsheet ontstaat.
Stap voor stap: een productcatalogus converteren naar Excel
Upload de PDF-catalogus naar de PDF-naar-Excel-tool van WukongPDF. Selecteer Excel als uitvoerformaat. De tool verwerkt het document en genereert een .xlsx-bestand. Download en open het bestand. De gegevens moeten verschijnen in een spreadsheet met kolommen voor SKU, Beschrijving, Prijs en andere velden in de oorspronkelijke catalogus. Elk product moet één rij beslaan. De eerste rij kan kolomkoppen bevatten die uit de catalogus zijn gedetecteerd.
Controleer de geëxtraheerde gegevens op structuurproblemen. Categoriekoprijen die samen met productgegevens zijn geëxtraheerd, moeten worden gescheiden. Deze rijen beslaan doorgaans de volledige breedte van de tabel en bevatten alleen tekst in de eerste kolom. Verplaats ze naar een aparte categoriekolom of verwijder ze als u alleen gegevens op productniveau nodig heeft. Productbeschrijvingen met meerdere regels die over meerdere rijen zijn verdeeld, moeten in één cel worden samengevoegd. Gebruik de functie Cellen samenvoegen van Excel of consolideer ze handmatig.
Geëxtraheerde prijs- en numerieke gegevens opschonen
Prijzen in PDF-catalogi bevatten vaak valutasymbolen, komma's en spaties die Excel als tekst behandelt in plaats van als getallen. Een cel met "$ 1.234,56" zal niet correct optellen. Gebruik Excel's Zoeken en vervangen om valutasymbolen en spaties te verwijderen. Gebruik vervolgens de functie WAARDE of Tekst naar kolommen om de tekst naar getallen te converteren.
Voorraadniveaus en -hoeveelheden kunnen eenheden omvatten zoals "stuks" of "kg" die moeten worden gescheiden in een numerieke waarde en een eenheidskolom. Gebruik Excel's Tekst naar kolommen met een spatiescheidingsteken of gebruik een formule om het numerieke gedeelte te extraheren. Het duurt een paar minuten om PDF-gegevens uitpakken in schone numerieke kolommen te zetten, maar levert een spreadsheet op die uw inventarissysteem rechtstreeks kan importeren.
Omgaan met catalogi van meerdere pagina's met verschillende tabelindelingen
Sommige catalogi veranderen de tabelindeling van sectie tot sectie. De eerste tien pagina's kunnen een producttabel met drie kolommen zijn. De volgende tien pagina's kunnen een tabel met vijf kolommen zijn voor een andere productcategorie. Pak elke sectie afzonderlijk uit. Upload de PDF en geef het paginabereik voor de eerste sectie op. Extract. Herhaal dit voor elke volgende sectie. Consolideer de geëxtraheerde spreadsheets door ze toe te voegen met consistente kolomkoppen. Deze sectie-voor-sectie-aanpak levert schonere gegevens op dan het in één keer extraheren van de hele catalogus met gemengde lay-outs.
Sla het Excel-bestand na het uitpakken en opschonen op. De productgegevens die in een statische PDF waren opgesloten, bevinden zich nu in een gestructureerd spreadsheet, klaar voor import, analyse of integratie met uw bedrijfssystemen. Voor terugkerende catalogusupdates slaat u de opschoonstappen op als een Excel-macro of -sjabloon. Wanneer de leverancier volgende maand een bijgewerkte catalogus verzendt, voer dan dezelfde extractie uit en voer dezelfde opschoonstappen uit. De workflow PDF Converter die de eerste keer een uur duurde, duurt de tweede keer tien minuten en wordt bij de derde update een routinetaak.
Een praktische techniek voor catalogi met productafbeeldingen: controleer na extractie of elke productrij overeenkomt met de juiste afbeelding. De extractiemachine kan afbeeldingen in aangrenzende cellen of op afzonderlijke rijen plaatsen. Maak een kolom in Excel met de naam "Afbeelding" en controleer handmatig of de afbeelding naast elke rij overeenkomt met de productbeschrijving. Als het doel is om deze gegevens in een e-commerceplatform te importeren, moet de mapping van afbeelding naar product correct zijn. Een verkeerd geplaatste afbeelding betekent dat de verkeerde productfoto op de website verschijnt.
Voor prijslijsten met volumekortingen of gedifferentieerde prijzen, weergegeven in een niet-standaard formaat, zoals '1-99: $10, 100-499: $8, 500+: $6' allemaal in één cel, splits deze na extractie in afzonderlijke rijen of kolommen. Gebruik Excel's Tekst naar kolommen met het juiste scheidingsteken. Elk hoeveelheidsniveau en de bijbehorende prijs moeten een eigen cel in beslag nemen, zodat de gegevens kunnen worden gesorteerd, gefilterd en geïmporteerd in downstream-systemen die één prijs per rij verwachten.
Voeg na de extractie een gegevensvalidatiekolom toe om prijsafwijkingen op te sporen. Als de catalogus een kolom heeft voor "Voorgestelde verkoopprijs" en een kolom voor "Uw prijs," voeg een formule toe die rijen markeert waar uw prijs hoger is dan de verkoopprijs. Deze afwijkingen kunnen wijzen op extractiefouten, zoals het verwisselen van de twee prijskolommen tijdens de conversie, of op echte gegevensproblemen die moeten worden onderzocht. De op formules gebaseerde validatie voegt een kwaliteitspoort toe tussen data-extractie en datagebruik.