您下载 PDF 格式的银行对帐单，打开它，然后看到整齐的日期、描述、借项、贷项和余额列。您将 PDF 转换为 Excel，希望这些列成为电子表格列。相反，您会得到一团糟：A 列中的日期，B 列中的描述片段，C 列中的更多描述，D 列中的借方和贷方金额混合在一起，而余额则被推入 E 列中的某处。这些列未对齐，因为 PDF 将文本存储在可视位置中，而不是表结构中。
从PDF 到 Excel 的银行对账单转换是最需要且最有问题的文档转换之一。 PDF 格式将银行对账单表视为位于页面上的文本字符的集合。转换器必须从这些位置对表结构进行逆向工程，当这些位置与干净的网格不完全对齐时，逆向工程就会失败。
为什么 PDF 表格不能清晰地映射到电子表格列
在电子表格中，单元格具有明确的边界。第 3 行 B 列中的单元格仅包含一个值。在 PDF 中，文本放置在页面上特定的 x 和 y 坐标处。属于 B 列的文本可能跨越一定范围的 x 坐标。转换器必须通过查看列中大多数值的开始和结束位置来猜测列边界，并且当值长度变化时，猜测通常是错误的。
银行对账单中的可变宽度列是造成错位的主要原因。 “描述”列比“日期”或“金额”列宽得多。长描述可能会延伸到视觉上属于下一栏的空间。转换器必须决定长文本是属于一列还是已经溢出到下一列，并且不同的转换器会做出不同的决定。
多行条目使问题变得更加复杂。具有长描述的银行交易可能会换行到第二行。在 PDF 中，这显示为具有相同 x 位置的两个单独的文本对象。转换器必须认识到这两个文本对象属于同一单元格，而不是新行。未能合并多行条目会在 Excel 输出中创建虚拟行。
不同的转换器如何处理表检测
基本转换器使用简单的列检测算法：找到文本开始的最常见的 x 位置并将其定义为列边界。这适用于具有严格、一致的列宽的语句。对于页面之间的列宽度不同或文本偶尔超出其列的语句，它会失败。
高级转换器使用根据银行对账单布局进行训练的机器学习模型。这些模型可以识别常见的模式，左边是短日期，中间是长描述，右边是货币金额，即使边界位置不完全一致，也可以识别列。这些高级转换器的提取 PDF 数据准确性明显更高，但它们通常仅在付费或企业工具中可用。
WukongPDF通过浏览器提供PDF Converter工具来提取表格数据。转换处理每个页面，识别表格结构，并将数据导出为 Excel 格式。
手动清理未对齐的转换输出
转换后，Excel 输出几乎总是需要一些手动清理。按应包含一致数据的列对电子表格进行排序，例如“日期”列。日期位于错误列中的行未对齐。将这些行拖动到正确的列对齐位置。清理工作虽然繁琐但系统化。
使用 Excel 的“文本分列”功能来拆分合并的单元格。如果单元格同时包含以空格分隔的借方金额和贷方金额，“文本分列”可以将它们拆分为单独的列。根据原始银行对账单的一致格式定义分割点。
您定期从同一家银行下载的报表，创建具有正确列结构的 Excel 模板，并使用它来验证每次转换。将转换后的数据与模板进行比较，并标记与预期模式不匹配的行。模板方法可以在多次转换尝试中一致地捕获错位。
银行数据 PDF 转换的替代方案
除 PDF 报表外，大多数银行还提供结构化格式的交易数据下载。 CSV、QFX 和 OFX 格式专为数据导入而设计，不需要转换。在转换 PDF 对账单之前，请检查您的银行是否提供结构化下载选项。结构化格式将干净地导入 Excel 或会计软件，不会出现错位问题。
对于仅以 PDF 形式提供的银行对账单，请考虑使用专用的财务文档处理器而不是通用 PDF 转换器。这些专用工具接受过财务文档布局方面的培训，并且比通用工具更准确地处理列检测、多行合并和货币格式设置。
具有颜色编码交易类型的银行对账单（例如贷方绿色，借方红色）增加了 PDF 转换的复杂性。颜色信息是视觉的，不会影响文本定位，但分析视觉格式的转换器可能会将颜色变化解释为列边界，从而在输出中产生额外的虚拟列。
多币种银行对账单会带来额外的转换复杂性。包含美元和欧元交易的报表可能具有不同位置或不同格式的金额列。转换器可能无法识别两组金额列属于同一逻辑结构，从而产生比单货币报表更分散的 Excel 输出。
对于相同银行对账单格式的重复转换，请投入时间配置一次转换器设置并将其保存为预设。该预设捕获适用于您的特定报表布局的列检测参数、多行合并行为和货币格式。随后的每次转换都比第一次更准确，因为该工具已根据您的数据进行了调整。
转换并清理 Excel 输出后，将交易计数和总金额与 PDF 原始文件进行比较。如果 Excel 有 237 行，但 PDF 列出了 240 个事务，则转换过程中会丢失或合并 3 个事务。查找并手动添加缺失的交易以完成数据集。
一些银行使用交替的行阴影格式化报表，每隔一行都有浅灰色背景。此阴影是 PDF 中的视觉格式元素。转换为 Excel 时，底纹可能会丢失，或者应用不一致。阴影的丢失不会影响数据的准确性，但会使 Excel 输出更难以目视扫描。
包含银行徽标和装饰边框等图形元素的 PDF 报表不会影响数据转换，但它们可能会在 Excel 输出中显示为杂散图像。应从 Excel 文件中删除这些图像以清理外观。它们不包含可提取的数据。
对于包含多种货币交易的国际银行的报表，转换的复杂性会增加。汇率、货币符号和不同的小数分隔符增加了解析挑战。多货币兑换的手动验证尤其重要。
从网上银行门户生成的 PDF 报表通常基于文本，并且比扫描的纸质报表转换更准确。如果您的银行通过其在线门户提供可下载的 PDF 报表，请使用这些报表而不是扫描打印的报表。数字原件具有更清晰的文本数据，转换更可靠。
清理 Excel 转换后，使用 Excel 数据验证工具检查是否存在异常。过滤报表期间之外的日期、与预期格式不匹配的金额以及异常短或长的描述。这些异常通常表示需要手动更正的转换错误。
报表元数据中嵌入的 PDF 生成日期可用于验证您正在转换的报表版本是否正确。一月份下载的报表和三月份下载的同一时期的报表应该是相同的。
如果转换后的 Excel 数据将导入到会计软件中，请设置 Excel 列的格式以匹配会计软件预期的导入格式。大多数会计软件需要特定的列名称和数据格式。
通过对 PDF 进行预处理以增强文本层，可以提高转换精度。在基于文本的 PDF 上运行 OCR 会创建一个更清晰的文本层，转换器可以比原始文本定位数据更准确地解析该文本层。
从网上银行生成银行对账单 PDF 时，元数据中的 PDF 创建日期对应于下载日期，而不是对账单日期。声明期限在声明内容中注明。在使用转换后的数据进行时间敏感分析之前，请验证您正在使用哪个日期。
当数据可靠地导入到会计系统中、在电子表格中进行分析或与财务报告工具集成时，为清理错位的 PDF 到 Excel 转换而付出的努力就会得到回报。
了解 PDF 到 Excel 不一致的根本原因有助于用户选择正确的转换方法、应用适当的清理技术，并识别替代数据源何时会产生比 PDF 转换更好的结果。
当转换产生不可接受的结果时，直接从银行请求 CSV 等结构化格式的数据可以提供获取可用电子表格数据的最干净的路径，而不会遇到 PDF 转换清理的麻烦。
| 转换问题 | 原因 | 清理技术 |
|---|---|---|
| 合并单元格 | 多行描述跨越行 | 使用文本分列或手动拆分 |
| 幻影行 | 转换器将一笔交易分成两笔 | 按日期排序；合并重复行 |
| 缺少交易 | OCR 漏掉一行或转换器跳过 | 计算行数与 PDF 原始文件的行数；手动添加 |
| 未对齐的列 | 可变宽度描述列 | 将未对齐的单元格拖动到正确的列中 |