scannet PDF til Excel lykkes eller mislykkes ofte, før selve OCR-læsningen går i gang. Hvis en side hælder en smule, tabellens streger er blege, eller baggrunden er ujævn, kan OCR-trinnet splitte kolonner, flette rækker eller overse værdier, som er tydelige for et menneske. Det praktiske valg er derfor ikke kun, hvilket OCR-værktøj man bruger, men også hvilke sideforbedringer man bør lave først, og hvilke man bør undgå.
Denne guide handler om at forbedre skæve scanninger og svage gitterlinjer før regnearks-OCR. Den handler ikke om rækkevis kontrol eller afstemning af summer. Fokus er i stedet, hvordan man gør en rodet, scannet tabel lettere for OCR-motoren at forstå som struktur.
For en generel oversigt over dette område kan du se informationssiden om tilgængelighed: OCR PDF to Excel.
Start med sidens struktur, ikke med regnearket
Når folk tænker på scannet PDF til Excel, begynder de ofte med at bekymre sig om celleformatering i den færdige fil. I praksis er det vigtigere at spørge, om originalsiden stadig ligner en tabel efter scanning.
En nyttig huskeregel er:
- OCR læser tegn.
- Tabeludtræk gætter struktur.
- Excel-resultatet afhænger af begge dele.
Hvis teksten er læsbar, men tabellinjerne er svage, kan OCR-motoren godt læse ordene rigtigt og alligevel placere dem i forkerte kolonner. Hvis gitterlinjerne er synlige, men siden er skæv med få grader, kan rækkegrænser blive tolket forkert. Derfor bør forbehandling først rette geometri og kontrast, før man tænker på oprydning i regnearket.
Et konkret eksempel: en skæv oversigtstabel på en faktura
Forestil dig en scannet PDF med en leverandøroversigt på to sider. Resume-tabellen har disse problemer:
- siden hælder en smule mod højre
- papiret er kopieret fra et print, så baggrunden er grålig
- vandrette linjer kan ses, men lodrette gitterlinjer er svage
- beløbskolonnen er skarp, men datoer er lysere end resten
Hvis man kører scannet PDF til Excel på filen uden forberedelse, er et typisk resultat:
- dato og referencenummer ender i samme kolonne
- tomme celler bliver tolket som linjeskift
- totaler forskydes én kolonne mod højre
- sidste række flettes sammen med en note i sidefoden
Problemet er ikke kun tegnlæsning. OCR-systemet prøver også at udlede tabelgrænser ud fra svage visuelle spor. I den type dokumenter betyder en forsigtig korrektion før OCR ofte mere end at prøve flere forskellige løsninger på den samme urørte scanning.
Ret skævhed først, fordi den påvirker alle kolonner
Deskewing, altså opretning af siden, bør som regel være første justering. Selv en lille hældning kan få tabelkolonner til at se ujævne ud fra top til bund.
Brug gerne denne rækkefølge:
- Undersøg om sidekanter, tekstlinjer eller tabellinjer hælder.
- Roter eller ret siden op, indtil de dominerende tekstlinjer ser vandrette ud.
- Kontroller en række midt på siden og en række nederst for at se, om kolonnerne stadig flugter.
- Først når justeringen ser stabil ud, bør du arbejde videre med kontrast eller linjeforbedring.
Derfor er rækkefølgen vigtig:
- kontrastændringer kan forstærke de forkerte kanter, hvis siden stadig er skæv
- registrering af linjer virker bedre, når rækker allerede er vandrette
- beskæring bliver lettere, når den rigtige vinkel er fundet
En praktisk regel er enkel: Hvis skævheden kan ses med det blotte øje, så ret den først. Hvis siden næsten er lige, men er forvrænget af et mobilfoto, kan kraftig billedbehandling stadig fejle, fordi rækkerne er buede i stedet for blot roterede. I så fald er en ny, flad scanning ofte mere værd end flere filtre.
Gør svage gitterlinjer tydeligere uden at ødelægge teksten
Svage linjer er vanskelige, fordi kraftig forstærkning ofte skaber nye problemer. Hvis kontrasten presses for hårdt, kan tynde tegn som decimalpunkter, kommaer eller lyse tal blive brudt op eller forsvinde.
Målet er ikke at få siden til at se dramatisk ud. Målet er at gøre tabelgrænser lidt tydeligere, samtidig med at tegnenes form bevares.
Prøv disse justeringer i denne rækkefølge:
- Øg den lokale kontrast forsigtigt, især hvis siden har grå baggrund.
- Juster lysstyrken, så papiret nærmer sig ren hvid.
- Fjern lavt støjniveau som små prikker fra kopieringsartefakter.
- Brug let skarphed kun hvis tal stadig virker bløde.
- Tjek bagefter, om gitterlinjerne faktisk er mere læsbare, ikke bare mørkere samlet set.
Undgå især disse fejl:
- at gøre siden til hård sort-hvid for tidligt
- at overskarpe, så rammer bliver tykkere og smalle tal forvrænges
- at bruge aggressiv støjfjernelse, som sletter tegnsætning eller minustegn
- at mørkne hele siden, når kun tabelområdet har brug for hjælp
Hvis linjerne næsten er usynlige, kan en beskæring til selve tabelområdet hjælpe mere end stærkere justering af hele siden. En strammere beskæring fjerner logoer, stempler og margener, som ellers forstyrrer layouttolkningen.
Beskær forstyrrelser og adskil blandede sideområder
Mange mislykkede tabeludtræk skyldes sider med flere forskellige visuelle zoner. En opgørelse kan indeholde hoved, adressefelt, tabel, noter og signaturfelt. Når alt dette sendes gennem samme OCR-forløb, kan systemet have svært ved at afgøre, hvor tabellen begynder og slutter.
Før du arbejder videre med scannet PDF til Excel, bør du derfor vurdere, om siden bør opdeles i områder.
Gode tilfælde for beskæring eller isolering er blandt andet:
- hovedtabellen på en side med store margener over og under
- en tabel ved siden af et stempel eller en håndskrevet note
- en rapportside, hvor grafer ligger over tabeldata
- en opgørelse med vilkår og fodnoter lige under sidste række
En praktisk metode er at bruge kun tabelområdet til regnearks-OCR og beholde den fulde PDF separat som reference. Det garanterer ikke et bedre resultat, men det mindsker ofte falske rækkeskift og utilsigtede sammenfletninger af kolonner.
Brug en kort tjekliste før OCR
Før behandling kan du gennemgå denne enkle kontrol:
| Kontrolpunkt | Hvad du skal se efter | Handling |
|---|---|---|
| Sidevinkel | Rækker eller tekst hælder til venstre eller højre | Ret siden op først |
| Baggrund | Grå papirtone eller skygger | Let oprydning af lysstyrke og kontrast |
| Gitterlinjer | Lodrette eller vandrette linjer er næsten usynlige | Forsigtig linjeforbedring, som bevarer tekst |
| Forstyrrelser | Stempler, noter, logoer eller sidefodstekst | Beskær til tabelområdet hvis muligt |
| Tekstkanter | Tal virker slørede eller brudte | Undgå hård tærskling; brug kun let skarphed ved behov |
| Sideform | Buet mobilfoto eller bøjet papir | Scan igen eller tag et nyt billede hvis muligt |
Denne tjekliste er nyttig, fordi den holder målet snævert: at forbedre sidens strukturelle læsbarhed for OCR-motoren i stedet for blot at få siden til at se pænere ud.
Vid, hvornår billedforbedring hjælper, og hvornår den gør det værre
Mere behandling er ikke altid bedre. Nogle sider bliver dårligere efter flere justeringer. En god tommelfingerregel er at stoppe, når et af disse tegn viser sig:
- tekstkanter mister fine detaljer
- decimalpunkter eller tegnsætning bliver svage
- tabelrammer bliver til tykke mørke felter i stedet for linjer
- bogstaver får glorie eller takkede kanter
- baggrunden bliver ren, men kolonneinddelingen er stadig uklar
På det tidspunkt er det ofte kildematerialet, der er begrænsningen. Hvis en faxet tabel mangler lodrette linjer og har lav opløsning i tallene, kan billedforbedring ikke genskabe oplysninger, som ikke længere findes i scanningen.
Derfor bør man heller ikke forvente garanteret formatering fra scannet PDF til Excel. OCR kan hjælpe med at rekonstruere en tabel, men dårlig kildekvalitet, overlap, mærker og slidt tryk sætter naturlige grænser for, hvor præcist en regnearksstruktur kan udledes.
En praktisk arbejdsgang, du kan gentage
Brug denne fremgangsmåde ved vanskelige tabelscanninger:
- Vælg én repræsentativ side, før du behandler hele filen.
- Ret siden op, så tekstlinjer og rækker ligger vandret.
- Beskær til tabelområdet, hvis der er meget ikke-tabelformet indhold omkring det.
- Rens baggrunden med mild kontrastjustering og let støjreduktion.
- Gør svage gitterlinjer lidt tydeligere uden at mase tekstens detaljer.
- Afprøv OCR på et lille udsnit og se især på kolonneadskillelsen.
- Hvis strukturen bliver bedre, kan samme indstillinger bruges på lignende sider.
- Hvis ikke, så skru ned for behandlingen eller skaf en bedre scanning i stedet for at lægge flere filtre ovenpå.
Det vigtigste er ensartethed. Hvis en dokumentbunke kommer fra samme scanner og samme skabelon, kan én fornuftig forbehandling ofte bruges på mange sider. Hvis materialet derimod blander kopiscanninger, mobilfotos og faxer, bør de behandles i separate grupper.
Begrænsninger du bør kende
Selv med omhyggelig forberedelse har scannet PDF til Excel klare begrænsninger:
- svage eller manglende linjer kan forhindre stabil kolonneregistrering
- flettede celler og beskrivelser over flere linjer kan forvirre rækkegrænser
- håndskrevne markeringer, stempler og overstregninger kan fordreje tabelstrukturen
- meget lav opløsning kan gøre tal læsbare for mennesker, men tvetydige for OCR
- sider med perspektivforvrængning fra kameraoptagelser kræver ofte en ny scanning frem for mere billedbehandling
Det bedste praktiske valg er derfor ofte enkelt: ret vinklen først, forbedr kontrasten forsigtigt, afgræns tabellen, og stop før billedforbedringen skader teksten.