將掃描的 PDF 轉換為 Excel 電子表格總是涉及 OCR，而 OCR 總是會產生錯誤。真正的問題是有多少錯誤以及其餘的是否可以接受。對簡單表格進行乾淨的 300 DPI 掃描可能會以 98-99% 的準確度進行轉換。對包含合併儲存格和手寫註釋的多列電子表格進行低品質掃描可能會導致 80% 或更差。設定現實的期望並進行清理過程決定了輸出是否值得使用。
完美並不是這裡的目標。需要抽查的可用電子表格是。
透過 OCR 將PDF 轉換為 Excel 涉及兩個階段：首先，OCR PDF 引擎從掃描影像中識別文字和表格結構，其次，轉換器將識別的資料對應到行和列。任何一個階段都可能引入錯誤。了解錯誤的根源有助於您為每種類型的文件選擇正確的工具和正確的清理策略。
掃描表轉換中出現OCR錯誤的地方
字元誤識別是最常見的失敗。引擎將 8 讀作 B，將 5 與 S 混淆，或將 1 誤讀為 l。數字比字母受到的影響更大，因為一個錯誤的數字會改變美元的金額。當列邊界偵測不正確時，就會發生結構錯誤。跨越三列的合併標題儲存格被拆分。列計數不一致的行（常見於小計行的財務報表中）會混淆網格偵測並產生未對齊的資料。
掃描品質對錯誤率的影響比其他因素都大。 300 DPI 雷射列印的電子表格在轉換時通常會出現 2-5% 的字元錯誤。 20 世紀 90 年代的 150 DPI 點陣列印輸出可能會出現 15-25% 的錯誤。傾斜的頁面在字元辨識開始之前就會加入旋轉校正模糊。表格邊框模糊或損壞會導致列合併或拆分，而偵測演算法會錯誤地填充間隙。來源中的每個品質問題都會透過轉換管道而複合。
選擇用於電子表格轉換的最佳 OCR 引擎
像 Tesseract 這樣的通用引擎可以很好地讀取字符，但輸出非結構化文字。你得到了單詞，但失去了網格。具有內建表格偵測功能的工具、Adobe Acrobat 的匯出至 Excel、Tabula、WukongPDF 的轉換工具，將字元辨識與針對電子表格佈局調整的結構分析結合。輸出在 Excel 中保持行和列完好無損，這就是轉換為電子表格格式的全部要點。
複雜的佈局需要專門的提取。在電子表格模式上訓練的機器學習模型可以辨識一般工具所忽略的列邊界、行分隔符號和標題層次結構。最好的引擎可以處理跨單元格、嵌套標題和空白單元格，而不會破壞網格。在代表性頁面上測試工具可以揭示其表格檢測是否可以處理您的特定佈局。一個可以輕鬆瀏覽簡單財務表格的工具可能會在單元格合併不規則的政府表格上完全失敗，而在第一頁上發現這一點可以避免使用錯誤的工具處理其他 499 頁。
| 工具類別 | 優勢 | 弱點 |
|---|---|---|
| 通用OCR（Tesseract等） | 字元精度高、免費、可批量 | 無表結構，輸出純文字 |
| PDF 匯出工具（Acrobat，WukongPDF） | 保留表格結構，直接Excel輸出 | 與格式繁重的表格作鬥爭 |
| 專用表格擷取器 (Tabula) | 優秀的結構檢測，複雜的佈局 | 可能需要根據文件類型進行調整 |
| 人工智慧驅動的工具 | 各種佈局上的最佳精度 | 成本較高，可能需要網路連接 |
轉換後清理：捕獲剩餘的錯誤
無論工具品質如何，都要預算清理時間。在原始 PDF 旁邊開啟轉換後的電子表格並抽查關鍵儲存格。總計和小計最需要注意，因為一個誤讀的儲存格會發生級聯。使用 Excel 條件格式突出顯示數字列中的非數字字符，立即標記 O-for-0 和 S-for-5 替換。對應全部為數字的欄位進行快速 ISTEXT 檢查可捕捉混合到視覺掃描中的 OCR 偽影。
無法手動檢查每個單元格的大型電子表格需要協調方法。轉換後的電子表格中的每一列求和，並與原始電子表格中列印的總計進行比較。計算行和列。使用資料驗證來標記超出預期範圍的值。匯總轉換後的資料以及手動輸入的原始資料摘要的資料透視表提供了進階比較，可以標記存在問題的整個部分。這些檢查會自動運行，並在幾秒鐘內捕獲最有影響的錯誤。
建立可重複使用的清理例程。錄製應用標準修復的 Excel 巨集：修剪空格、將文字數字轉換為實數、刪除空白行、對齊列寬以及套用數字格式。單擊即可對每個新轉換的電子表格進行全面清理。建立巨集所花費的 20 分鐘會隨著同一文件來源的每次後續轉換而自行恢復，並確保所有轉換後的文件得到一致的清理。
當手動輸入擊敗 OCR 轉換
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 分鐘來鍵入。設定 OCR、執行轉換和清理低品質掃描可能需要更長的時間。以 300 DPI 進行乾淨的現代掃描可實現平衡：OCR 勝出小至 20 行的表格。掃描品質較差，損益平衡點超過 100 行。了解您的掃描品質可以告訴您使用哪種方法，而不會在錯誤的方法上浪費時間。
對準確性至關重要的環境完全改變了微積分。財務報告和法律證據不能容忍 OCR 錯誤。每個轉換後的單元都必須對照原始單元進行驗證。在這些高風險場景中，帶有雙密鑰驗證的手動輸入、兩個人獨立輸入資料並解決差異，儘管速度較慢且成本較高，但仍然是可靠的標準。監理文件中一個誤讀數字的成本使人工驗證的成本相形見絀。根據後果而不是便利性來選擇方法。 OCR 產生初稿；賭注決定了選秀是否足夠好或只是一個起點。