您收集了 200 份填写完整的 PDF 职位申请。每个表格都有相同的字段：姓名、电子邮件、电话、职位、开始日期、期望薪资。您需要在一个 Excel 电子表格中提供所有 200 条回复，其中每个申请人为一行，每个字段为一列。手动打开每个 PDF、读取字段值并将其输入 Excel 需要一整个工作日。电子邮件地址或电话号码中的一个拼写错误可能意味着与申请人失去联系。
自动将数据从可填写的PDF 表单 提取到 Excel 中是一种数据提取工作流程，可读取表单字段值并将其写入电子表格。该过程快速、准确，并且消除了转录错误。提取直接从 PDF 的表单字段读取数据。
PDF 表单数据提取的工作原理
可填写的 PDF 表单将数据存储在命名字段中。每个字段都有一个名称（例如名字或电子邮件）以及用户输入的值。数据提取读取字段名称和值并将其导出为结构化格式。字段名称成为电子表格中的列标题。每个 PDF 成为一行数据。这些值填充相应列下的单元格。
WukongPDF的PDF到Excel表单数据提取批量处理多个PDF。上传全部 200 个填写的表格。该工具从每个表单中读取字段名称和值。它生成一个电子表格，每个表格一行。每个字段成为一列。提取过程会准确保留输入的数据。不涉及 OCR，也不存在字符识别错误，因为数据被输入到数字表单字段中。
干净数据提取的先决条件
表格必须是带有实际表格字段的可填写 PDF。手动填写然后扫描的扫描表单没有表单字段数据。它们需要 OCR，但准确度较低并且会引入识别错误。在设置提取工作流程之前，请打开其中一份已填写的表单，并检查是否可以单击已填写的文本并对其进行编辑。如果可以的话，该表单具有实时表单字段。如果文本是页面图像的一部分，则会扫描表单并需要 OCR。
PDF 表单中的字段名称决定电子表格中的列标题。如果表单的不同版本使用不同的字段名称，则提取的电子表格将具有相同数据的多个列。在分发表单模板之前对其进行标准化。在所有副本中使用一致的字段名称。这种前期标准化在提取时通过干净、统一的电子表格得到了回报。
处理提取的数据
打开提取的电子表格并查看数据。检查表单字段留空的缺失值。检查格式是否不一致，例如在某些表单中输入的电话号码为 555-123-4567，而在其他表单中输入的电话号码为 5551234567。使用 Excel 函数清理数据。如果表单将全名收集为单个字段，则将全名拆分为名字和姓氏列。通过检查 @ 符号是否存在来验证电子邮件地址。
如果表单不包含行号或唯一标识符列，请添加行号或唯一标识符列。此标识符可让您将电子表格中的特定行追溯到原始 PDF 表单。如果数据条目看起来可疑，您可以打开该申请人的原始 PDF，验证字段值，并在必要时更正电子表格。
扩展工作流程以供重复使用
如果您定期收集 PDF 表单回复，请构建一个 Excel 模板，将提取的数据输入其中。在模板中设置公式、数据透视表、图表和格式。每个周期提取新的表单数据并将其粘贴到模板的数据表中。公式和图表会自动更新。该模板消除了为每批响应重新创建分析的重复工作。 提取 PDF 数据工作流程第一次需要数小时，随后每次都需要几分钟。
提取后，将原始 PDF 表单存档。电子表格方便分析。 PDF 是原始记录。如果对数据有任何疑问，原始表格提供权威答案。对于从外部用户收集 PDF 表单响应的组织来说，提取后的数据验证工作流程可以在数据进入下游系统之前捕获最常见的用户错误。检查没有@符号的电子邮件地址，这表明用户输入了无效的地址。检查电话号码是否太短或太长。检查留空的必填字段。标记这些记录以供后续跟踪，而不是默默地导入不良数据。提取后几分钟的验证可以防止随后在不良数据传播到报告、数据库和通信中时进行数小时的清理。构建循环表单数据管道时，请记录字段映射：哪些 PDF 字段名称对应于数据库或电子表格中的哪些列。 FName 或 Q1_Answer 等表单字段名称可能与 FirstName 或 SatisfactionRating 等系统列名称不匹配。创建将 PDF 字段名称转换为系统列名称的映射表。每次提取数据时应用此映射。映射表还可以作为未来团队成员的文档，帮助他们了解表单数据如何流入组织的系统。对于包含可选字段的表单，提取将为用户留空的字段生成空白单元格。通过添加用于检查是否填充必填字段的验证列来区分故意留空字段和缺失数据。必填电子邮件字段中缺少电子邮件地址，需要跟进。可选字段中缺少中间名是可以的。验证标志将指导您对需要注意的记录进行后续工作。映射表还可以作为未来团队成员的文档，帮助他们了解表单数据如何流入组织的系统。