Можете ли вы конвертировать PDF в Excel? Да, но результаты зависят от структуры PDF
Короткий ответ: да, вы можете конвертировать PDF в электронную таблицу Excel. Более длинный и честный ответ заключается в том, что качество преобразования почти полностью зависит от того, как структурированы данные в PDF. PDF-файл, содержащий чистую, хорошо отформатированную таблицу данных с четкими границами столбцов и согласованной структурой строк, с высокой точностью преобразуется в электронную таблицу Excel. PDF-файл, содержащий визуально разбросанные данные, объединенные ячейки, неправильное форматирование или текст, который для человеческого глаза выглядит как таблица, но не структурирован, как в PDF-файле, приведет к беспорядочному результату преобразования, требующему значительной ручной очистки.
Структура данных в исходном PDF-файле определяет, будет ли преобразование в Excel чистым или беспорядочным.
Преобразование PDF-файла, экспортированного непосредственно из Excel, дает значительно лучшие результаты, чем преобразование отсканированного изображения электронной таблицы.
Преобразование PDF в Excel — это, по сути, упражнение по распознаванию структуры. Механизм преобразования анализирует страницу PDF, определяет табличные данные на основе пространственного расположения текста и строк и пытается восстановить исходную структуру электронной таблицы. Каждый шаг в этом процессе распознавания является умозаключением. Движок определяет, какой текст принадлежит какой ячейке. Он определяет, где проходят границы столбцов. Он определяет, является ли строка текста заголовком, строкой данных или строкой заголовка, охватывающей несколько столбцов. Каждый вывод может быть неправильным, приводя к чему угодно: от незначительных проблем с форматированием до совершенно непригодного для использования результата.
Понимание того, почему таблица PDF конвертируется хорошо, а что плохо, поможет вам установить реалистичные ожидания и выбрать правильный подход к преобразованию. PDF-файл, экспортированный непосредственно из Excel с помощью функции «Сохранить как PDF», имеет тенденцию хорошо конвертироваться обратно в Excel, поскольку исходная структура электронной таблицы частично сохраняется во внутренних тегах PDF-файла. PDF-файл, созданный путем сканирования распечатанной электронной таблицы, плохо конвертируется, поскольку отсканированное изображение вообще не содержит структурных данных, а только пиксели. Путь преобразования и ожидаемое качество вывода зависят от того, к какой категории относится ваш PDF-файл.
Преобразование таблицы PDF, изначально созданной в Excel
PDF-файлы, созданные с помощью встроенной функции экспорта PDF в Excel, содержат скрытую структурную информацию, что значительно улучшает преобразование обратно в Excel. Когда Excel экспортирует в PDF, он может включать теги, определяющие структуру таблицы, границы ячеек и типы данных. PDF Converter, который считывает эти теги во время преобразования обратно в Excel, может восстановить исходную электронную таблицу с исключительно высокой точностью, включая правильную ширину столбцов, форматирование чисел и выравнивание ячеек.
Чтобы добиться наилучшего преобразования PDF-файлов этого типа, используйте инструмент преобразования, который специально поддерживает ввод PDF-файлов с тегами. Большинство профессиональных инструментов PDF указывают, используют ли они теги PDF во время преобразования, в своих настройках или документации. Включение преобразования с учетом тегов, когда оно доступно, приводит к получению вывода, который обычно требует лишь незначительной корректировки форматирования, а не полной реконструкции.
Преобразование сохраняет значения данных и структуру таблицы. Что он может не сохранить в полной мере, так это специфичные для Excel функции, которые существовали в исходной электронной таблице, но не являются частью представления PDF. Формулы, сводные таблицы, диаграммы, связанные с данными, и правила условного форматирования теряются при исходном экспорте PDF и не могут быть восстановлены путем преобразования. Преобразованный файл Excel содержит значения данных в том виде, в каком они были на момент создания PDF-файла, а не формулы, которые их сгенерировали.
Преобразование отсканированной таблицы PDF с использованием извлечения на основе OCR
Отсканированная таблица PDF требует OCR, прежде чем можно будет извлечь какие-либо данные. На этапе оптического распознавания текста распознается текст в отсканированном изображении, создавая символьные данные, которые механизм преобразования затем может попытаться организовать в строки и столбцы. Этот двухэтапный процесс оптического распознавания символов, за которым следует распознавание структуры, на каждом этапе приводит к ошибкам, которые усугубляются. Ошибка распознавания во время OCR означает, что на этапе распознавания структуры поступает неправильное текстовое значение, и даже если структура распознается идеально, значение данных в этой ячейке неверно.
Качество исходного сканирования является наиболее контролируемым фактором в этом процессе. Чистое прямое сканирование с разрешением 300 точек на дюйм, хорошей контрастностью, отсутствием теней и кривизны страницы дает значительно лучшие результаты распознавания, чем фотография с низким разрешением, сделанная под углом при неравномерном освещении. Дополнительные усилия по созданию хорошего сканирования многократно окупаются за счет меньшего количества ручной коррекции выходного сигнала преобразования.
После преобразования вам придется потратить время на проверку и исправление выходных данных. Систематический подход к проверке сокращает необходимое время. Начните с проверки количества строк в исходном документе, чтобы убедиться, что все строки данных были записаны. Проверьте количество столбцов и метки столбцов, чтобы убедиться, что структура определена правильно. Выполните выборочную проверку нескольких случайно выбранных ячеек данных с оригиналом, чтобы убедиться в точности. Эти три проверки выявляют наиболее распространенные ошибки преобразования в течение нескольких минут. Инструменты Extract PDF Data WukongPDF включают в себя извлечение таблиц на основе оптического распознавания символов для отсканированных документов с возможностью предварительного просмотра распознанных данных перед экспортом в Excel.
Какие типы таблиц PDF хорошо конвертируются, а какие нет
Лучше всего конвертируются простые таблицы-сетки с одинаковыми строками и столбцами, четкими границами ячеек и единообразным форматированием текста внутри каждой ячейки. Финансовый отчет с одинаковыми столбцами для каждого месяца и одинаковыми строками для каждой позиции является идеальным кандидатом на конверсию. Регулярность структуры дает механизму преобразования четкие и последовательные сигналы о том, где расположены столбцы и строки.
Таблицы с объединенными ячейками, охватывающими несколько столбцов или строк, преобразуются менее надежно. Механизм преобразования должен распознавать, что ячейка, охватывающая три столбца, представляет собой одну ячейку, а не три отдельные ячейки с одинаковым содержимым. Распознавание объединенных ячеек зависит от того, как механизм преобразования обнаруживает, что текст центрирован по границам нескольких столбцов, и этот вывод менее надежен, чем обнаружение простых ячеек сетки. После преобразования убедитесь, что объединенные ячейки обрабатываются правильно, и вручную откорректируйте те, которые были разделены неправильно.
Таблицы с вложенными заголовками, в которых родительская категория охватывает несколько подстолбцов, являются наиболее сложными для механизмов преобразования. Механизм видит несколько уровней заголовков и должен реконструировать как визуальную иерархию, так и логические отношения между родительскими категориями и их подстолбцами. Будьте готовы потратить больше времени на проверку и исправление выходных данных для таблиц со сложной структурой заголовков. Если возможно, упростите структуру таблицы перед созданием PDF-файла, например, объединив вложенные заголовки в одну строку заголовков с объединенными метками.
Таблицы, в которых текст и числа смешиваются в одном столбце, что часто встречается в каталогах продуктов и отчетах со смешанным содержанием, требуют, чтобы механизм преобразования обрабатывал несколько типов данных в одном столбце. Большинство механизмов по умолчанию обрабатывают весь столбец как текстовый или числовой в зависимости от большинства ячеек. В числовом столбце со случайными текстовыми значениями эти текстовые значения могут быть преобразованы в ноль или оставлены пустыми. После преобразования просканируйте каждый столбец на предмет несоответствия типов данных и исправьте ячейки, которым был присвоен неправильный тип.
Пошаговое преобразование таблицы PDF в Excel
Загрузите PDF-файл в выбранный вами инструмент преобразования. Большинство инструментов имеют простой интерфейс загрузки. Если инструмент предлагает настройки качества или режима преобразования, выберите вариант, который лучше всего соответствует вашему типу PDF. Режим электронной таблицы или таблицы подходит для PDF-файлов с большим объемом данных. Режим «Текст» или «Документ» подходит для PDF-файлов с большим количеством текста, которые помимо прочего содержат таблицы.
После завершения преобразования загрузите файл Excel и откройте его. Первое, что вы видите, — это необработанный результат преобразования. Не приступайте к редактированию сразу. Сохраните копию необработанного вывода в качестве ссылки. Если последующая очистка пойдет не так или вы поймете, что вам нужно повторить преобразование с другими настройками, отправной точкой будет необработанный результат.
Начинайте очистку со структуры. Убедитесь, что отображается правильное количество столбцов. Убедитесь, что строки заголовка были идентифицированы правильно. Убедитесь, что ни одна строка не пропущена. Устраняйте структурные проблемы, прежде чем решать проблемы с данными, поскольку исправления данных могут стать неактуальными, если изменится базовая структура.
После того, как структура правильна, систематически работайте с ячейками данных. Начните с первой строки данных и двигайтесь вниз, сравнивая каждую ячейку с исходным PDF-файлом. Автоматическая проверка путем сравнения итоговых значений строк и столбцов в PDF-файле и выходных данных Excel быстро выявляет ошибки. Если PDF-файл показывает общее количество столбцов, содержащее определенное число, а сумма преобразованных ячеек в этом столбце не совпадает, где-то в этом столбце существует ошибка преобразования.
Первое преобразование нового типа документа обычно занимает больше всего времени, поскольку вы изучаете особенности документа и поведение механизма преобразования с этим конкретным форматом. Последующие преобразования похожих документов выполняются быстрее, поскольку вы знаете, что проверять, и можете настроить параметры преобразования на основе результатов первого преобразования.
После завершения преобразования и очистки защитите свою работу, сохранив файл Excel, а также сохранив рядом с ним копию исходного PDF-файла. PDF является авторитетным источником. Если возникают вопросы о том, правильно ли значение данных в электронной таблице, PDF-файл предоставляет справочный ответ. Такой подход с использованием двух файлов, при котором исходный PDF-файл сохраняется для справки, а преобразованный файл Excel — для анализа, является стандартной практикой в рабочих процессах бухгалтерского учета, аудита и анализа данных, где точность данных имеет первостепенное значение.
Для повторяющихся преобразований одного и того же типа отчета, например ежемесячных финансовых отчетов, которые поступают в формате PDF из одного и того же источника, создайте шаблон Excel, который автоматически выполняет очистку после преобразования. Запишите действия, которые вы выполняете вручную при первом преобразовании. Создавайте макросы Excel или преобразования Power Query, которые повторяют эти шаги при последующих преобразованиях. Первоначальные инвестиции в создание шаблонов окупаются в течение нескольких циклов преобразования и каждый раз обеспечивают стабильный и точный результат. Инструменты преобразования WukongPDF обеспечивают согласованное форматирование вывода, что делает автоматизацию на основе шаблонов надежной при повторных преобразованиях одного и того же типа документа.