Konwersja zeskanowanego pliku PDF do arkusza kalkulacyjnego Excel zawsze wymaga OCR, a OCR zawsze powoduje błędy. Prawdziwe pytanie brzmi: ile błędów i czy reszta jest akceptowalna. Czysty skan prostej tabeli w rozdzielczości 300 DPI może zostać przekonwertowany z dokładnością 98–99%. Skanowanie niskiej jakości wielokolumnowego arkusza kalkulacyjnego ze scalonymi komórkami i odręcznymi adnotacjami może dać wynik 80% lub gorszy. Ustalenie realistycznych oczekiwań i przeprowadzenie procesu czyszczenia decyduje o tym, czy warto wykorzystać wyniki.
Perfekcja nie jest tu celem. Użytecznym arkuszem kalkulacyjnym, który wymaga sprawdzenia na miejscu, jest.
Konwersja PDF do Excel za pomocą OCR składa się z dwóch etapów: po pierwsze, silnik OCR PDF rozpoznaje strukturę tekstu i tabeli na podstawie zeskanowanego obrazu, a po drugie, konwerter mapuje rozpoznane dane na wiersze i kolumny. Każdy etap może wprowadzić błędy. Wiedza o tym, skąd pochodzą błędy, pomaga wybrać odpowiednie narzędzie i właściwą strategię czyszczenia dla każdego typu dokumentu.
Gdy podczas konwersji zeskanowanej tabeli występują błędy OCR
Błędne rozpoznanie charakteru jest najczęstszą porażką. Silnik odczytuje 8 jako B, myli 5 z S lub błędnie odczytuje 1 jako l. Liczby cierpią bardziej niż litery, ponieważ jedna zła cyfra zmienia kwotę w dolarach. Błędy struktury występują, gdy granice kolumn są wykrywane nieprawidłowo. Scalone komórki nagłówka obejmujące trzy kolumny zostają podzielone. Wiersze z niespójną liczbą kolumn, powszechne w sprawozdaniach finansowych z liniami sum częściowych, zakłócają wykrywanie siatki i powodują nieprawidłowe wyrównanie danych.
Jakość skanowania wpływa na liczbę błędów bardziej niż jakikolwiek inny czynnik. Arkusz kalkulacyjny wydrukowany laserowo w rozdzielczości 300 DPI zwykle jest konwertowany z błędem znaku wynoszącym 2–5%. Wydruk igłowy o rozdzielczości 150 DPI z lat 90. może zawierać błąd 15-25%. Przekrzywione strony powodują rozmycie wynikające z korekty obrotu, jeszcze zanim rozpocznie się rozpoznawanie znaków. Wyblakłe lub przerwane obramowania tabeli powodują łączenie lub dzielenie kolumn, gdy algorytm wykrywania nieprawidłowo wypełnia luki. Każdy problem z jakością związków źródłowych w rurociągu konwersji.
Wypróbuj PDF do Excela
Nie wymaga instalacji. Działa bezpośrednio w Twojej przeglądarce.
Wybór najlepszego silnika OCR do konwersji arkusza kalkulacyjnego
Silniki ogólnego przeznaczenia, takie jak Tesseract, dobrze odczytują znaki, ale wyświetlają tekst nieustrukturyzowany. Dostajesz słowa, ale tracisz siatkę. Narzędzia z wbudowanym wykrywaniem tabel, eksport do Excela programu Adobe Acrobat, Tabula, narzędzie do konwersji WukongPDF, łączą rozpoznawanie znaków z analizą struktury dostosowaną do układów arkuszy kalkulacyjnych. Dane wyjściowe trafiają do programu Excel z nienaruszonymi wierszami i kolumnami, co stanowi cały sens konwersji do formatu arkusza kalkulacyjnego.
Złożone układy wymagają specjalistycznej ekstrakcji. Modele uczenia maszynowego wyszkolone na wzorcach arkuszy kalkulacyjnych identyfikują granice kolumn, separatory wierszy i hierarchie nagłówków, których brakuje narzędziom ogólnym. Najlepsze silniki obsługują komórki łączone, zagnieżdżone nagłówki i puste komórki bez zwijania siatki. Testowanie narzędzia na jednej reprezentatywnej stronie pokazuje, czy wykrywanie tabel obsługuje Twój konkretny układ. Narzędzie, które sprawnie przegląda proste tabele finansowe, może całkowicie zawieść w przypadku formularza rządowego z nieregularnym łączeniem komórek, a odkrycie tego na pierwszej stronie pozwala uniknąć przetwarzania pozostałych 499 stron przy użyciu niewłaściwego narzędzia.
| Kategoria narzędzia | Mocne strony | Słabości |
|---|---|---|
| Ogólne OCR (Tesserakt itp.) | Wysoka dokładność znaków, bezpłatna, z możliwością przetwarzania wsadowego | Brak struktury tabeli, wyświetla zwykły tekst |
| Narzędzia do eksportu plików PDF (Acrobat, WukongPDF) | Struktura tabeli zachowana, bezpośrednie dane wyjściowe w programie Excel | Walczy z mocno sformatowanymi tabelami |
| Specjalistyczne ekstraktory stołowe (Tabula) | Doskonałe wykrywanie struktur, złożone układy | Może wymagać dostosowania w zależności od typu dokumentu |
| Narzędzia oparte na sztucznej inteligencji | Najlepsza dokładność w różnych układach | Wyższy koszt, może wymagać połączenia z Internetem |
Oczyszczanie po konwersji: wychwytywanie pozostałych błędów
Budżetowy czas czyszczenia niezależnie od jakości narzędzia. Otwórz przekonwertowany arkusz kalkulacyjny obok oryginalnego pliku PDF i sprawdź na miejscu kluczowe komórki. Największą uwagę należy poświęcić sumom i podsumom, ponieważ jeden z nich błędnie odczytuje kaskady komórek. Użyj formatowania warunkowego programu Excel, aby wyróżnić znaki inne niż numeryczne w kolumnach numerycznych, natychmiast oznaczając podstawienia O-za-0 i S-za-5. Szybkie sprawdzenie ISTEXT kolumny, w której powinny znajdować się same liczby, wyłapuje artefakty OCR, które łączą się w skan wizualny.
Duże arkusze kalkulacyjne, w których nie można ręcznie sprawdzić każdej komórki, wymagają metod uzgadniania. Zsumuj każdą kolumnę w przekonwertowanym arkuszu kalkulacyjnym i porównaj z wydrukowanymi sumami w oryginale. Policz wiersze i kolumny. Użyj sprawdzania poprawności danych, aby oznaczyć wartości poza oczekiwanymi zakresami. Tabela przestawna podsumowująca przekonwertowane dane wraz z ręcznie wprowadzonym podsumowaniem oryginału zapewnia porównanie na wysokim poziomie, które oznacza całe sekcje z problemami. Kontrole te działają automatycznie i wychwytują najbardziej istotne błędy w ciągu kilku sekund.
Stwórz procedurę czyszczenia wielokrotnego użytku. Nagraj makro programu Excel, które zastosuje standardowe poprawki: przycinaj spacje, konwertuj liczby tekstowe na liczby rzeczywiste, usuwaj puste wiersze, wyrównuj szerokości kolumn i stosuj formatowanie liczb. Jedno kliknięcie uruchamia pełne czyszczenie każdego nowo przekonwertowanego arkusza kalkulacyjnego. 20 minut spędzonych na tworzeniu makra zwraca się przy każdej kolejnej konwersji z tego samego źródła dokumentu i zapewnia spójne czyszczenie wszystkich przekonwertowanych plików.
Kiedy wpis ręczny przewyższa konwersję OCR
Krótkie tabele zawierające mniej niż 50 wierszy często wpisują szybciej niż OCR plus czyszczenie. Pisanie trzech kolumn razy 50 wierszy zajmuje 10–15 minut. Konfigurowanie OCR, uruchamianie konwersji i czyszczenie skanów o niskiej jakości może zająć więcej czasu. Czyste, nowoczesne skany w rozdzielczości 300 DPI przechylają szalę: OCR wygrywa w przypadku tabel o wielkości zaledwie 20 rzędów. Skany o niskiej jakości przesuwają próg rentowności poza 100 wierszy. Znajomość jakości skanowania podpowie Ci, jakiego podejścia użyć, bez marnowania czasu na niewłaściwe.
Konteksty krytyczne dla dokładności całkowicie zmieniają rachunek różniczkowy. Sprawozdania finansowe i dowody prawne nie tolerują błędów OCR, kropka. Każda przekonwertowana komórka musi zostać zweryfikowana względem oryginału. W tych scenariuszach, w których stawka jest wysoka, ręczne wprowadzanie danych z weryfikacją podwójnym kluczem, przy jednoczesnym wprowadzaniu danych przez dwie osoby i usuwaniu rozbieżności pozostaje możliwym do obrony standardem, mimo że jest wolniejsze i droższe. Koszt jednej błędnie odczytanej cyfry w zgłoszeniu regulacyjnym przewyższa koszt ręcznej weryfikacji. Wybierz metodę kierując się konsekwencjami, a nie wygodą. OCR tworzy pierwszą wersję roboczą; stawka określa, czy ten draft jest wystarczająco dobry, czy to tylko punkt wyjścia.
Wypróbuj PDF do Excela
Nie wymaga instalacji. Działa bezpośrednio w Twojej przeglądarce.