将扫描的 PDF 转换为 Excel 电子表格总是涉及 OCR，而 OCR 总是会产生错误。真正的问题是有多少错误以及其余的是否可以接受。对简单表格进行干净的 300 DPI 扫描可能会以 98-99% 的准确度进行转换。对包含合并单元格和手写注释的多列电子表格进行低质量扫描可能会导致 80% 或更差。设置现实的期望并进行清理过程决定了输出是否值得使用。
完美并不是这里的目标。需要抽查的可用电子表格是。
通过 OCR 将PDF 转换为 Excel 涉及两个阶段：首先，OCR PDF 引擎从扫描图像中识别文本和表格结构，其次，转换器将识别的数据映射到行和列中。任何一个阶段都可能引入错误。了解错误的根源有助于您为每种类型的文档选择正确的工具和正确的清理策略。
扫描表转换中出现OCR错误的地方
字符误识别是最常见的失败。引擎将 8 读作 B，将 5 与 S 混淆，或将 1 误读为 l。数字比字母受到的影响更大，因为一个错误的数字会改变美元的金额。当列边界检测不正确时，就会发生结构错误。跨越三列的合并标题单元格被拆分。列计数不一致的行（常见于带有小计行的财务报表中）会混淆网格检测并产生未对齐的数据。
扫描质量对错误率的影响比任何其他因素都大。 300 DPI 激光打印的电子表格在转换时通常会出现 2-5% 的字符错误。 20 世纪 90 年代的 150 DPI 点阵打印输出可能会出现 15-25% 的错误。倾斜的页面在字符识别开始之前就会添加旋转校正模糊。表格边框模糊或损坏会导致列合并或拆分，而检测算法会错误地填充间隙。源中的每个质量问题都会通过转换管道而复合。
选择用于电子表格转换的最佳 OCR 引擎
像 Tesseract 这样的通用引擎可以很好地读取字符，但输出非结构化文本。你得到了单词，但失去了网格。具有内置表格检测功能的工具、Adobe Acrobat 的导出到 Excel、Tabula、WukongPDF 的转换工具，将字符识别与针对电子表格布局调整的结构分析相结合。输出在 Excel 中保持行和列完好无损，这就是转换为电子表格格式的全部要点。
复杂的布局需要专门的提取。在电子表格模式上训练的机器学习模型可以识别一般工具所忽略的列边界、行分隔符和标题层次结构。最好的引擎可以处理跨单元格、嵌套标题和空白单元格，而不会破坏网格。在一个代表性页面上测试工具可以揭示其表格检测是否可以处理您的特定布局。一个可以轻松浏览简单财务表格的工具可能会在单元格合并不规则的政府表格上完全失败，而在第一页上发现这一点可以避免使用错误的工具处理其他 499 页。
| 工具类别 | 优势 | 弱点 |
|---|---|---|
| 通用OCR（Tesseract等） | 字符精度高、免费、可批量 | 无表结构，输出纯文本 |
| PDF 导出工具（Acrobat，WukongPDF） | 保留表格结构，直接Excel输出 | 与格式繁重的表格作斗争 |
| 专用表格提取器 (Tabula) | 优秀的结构检测，复杂的布局 | 可能需要根据文档类型进行调整 |
| 人工智能驱动的工具 | 各种布局上的最佳精度 | 成本较高，可能需要互联网连接 |
转换后清理：捕获剩余的错误
无论工具质量如何，都要预算清理时间。在原始 PDF 旁边打开转换后的电子表格并抽查关键单元格。总计和小计最需要注意，因为一个误读的单元格会发生级联。使用 Excel 条件格式突出显示数字列中的非数字字符，立即标记 O-for-0 和 S-for-5 替换。对应全部为数字的列进行快速 ISTEXT 检查可捕获混合到视觉扫描中的 OCR 伪影。
无法手动检查每个单元格的大型电子表格需要协调方法。对转换后的电子表格中的每一列求和，并与原始电子表格中打印的总计进行比较。计算行和列。使用数据验证来标记超出预期范围的值。汇总转换后的数据以及手动输入的原始数据摘要的数据透视表提供了高级比较，可以标记存在问题的整个部分。这些检查会自动运行，并在几秒钟内捕获最有影响的错误。
建立可重复使用的清理例程。录制应用标准修复的 Excel 宏：修剪空格、将文本数字转换为实数、删除空白行、对齐列宽以及应用数字格式。单击一下即可对每个新转换的电子表格进行全面清理。构建宏所花费的 20 分钟会随着同一文档源的每次后续转换而自行恢复，并确保所有转换后的文件得到一致的清理。
当手动输入击败 OCR 转换
50 行以下的短表通常比 OCR 加清理更快。 3 列乘以 50 行需要 10-15 分钟来键入。设置 OCR、运行转换和清理低质量扫描可能需要更长的时间。以 300 DPI 进行干净的现代扫描可实现平衡：OCR 胜出小至 20 行的表格。扫描质量较差，盈亏平衡点超过 100 行。了解您的扫描质量可以告诉您使用哪种方法，而不会在错误的方法上浪费时间。
对准确性至关重要的环境完全改变了微积分。财务报告和法律证据不能容忍 OCR 错误。每个转换后的单元都必须对照原始单元进行验证。在这些高风险场景中，带有双密钥验证的手动输入、两个人独立输入数据并解决差异，尽管速度较慢且成本较高，但仍然是可靠的标准。监管文件中一个误读数字的成本使人工验证的成本相形见绌。根据后果而不是便利性来选择方法。 OCR 生成初稿；赌注决定了该选秀是否足够好或只是一个起点。