Scannet PDF til Excel er nyttigt, når et dokument indeholder tabeldata, som du vil analysere, sortere eller afstemme i et regneark. Det afgørende er ikke kun at hente teksten ud, men også at kontrollere, om rækker, kolonner og totaler stadig giver mening efter tekstgenkendelsen. En god arbejdsgang hjælper dig fra et scannet dokument til en brugbar Excel-fil med færre manuelle rettelser.
Hvad denne guide er lavet til
Denne guide fokuserer på én konkret opgave: at genkende scannede tabeller til Excel og kontrollere resultatet. Det er især relevant for dokumenter som:
- fakturaer med varelinjer og momsbeløb
- udgiftsrapporter med datoer, kategorier og beløb
- lagerlister med antal og stykpriser
- kontoudtog eller tabelopstillinger, hvor rækkerne skal blive stående korrekt
- rapporter med delsummer og samlet total
Det er noget andet end almindelig PDF-konvertering. Hvis en PDF allerede indeholder markerbar tekst, er udtræk ofte enklere. Når filen derimod er en scanning eller en billedbaseret PDF, kræver det OCR at finde tegn og tabelstruktur, før data kan bruges i Excel.
Hvis du vil se den aktuelle informationsside om emnet, kan du læse OCR PDF til Excel.
Start med en hurtig vurdering af dokumentet
Før du går i gang, bør du se på selve scanningen. Du behøver ikke en lang teknisk gennemgang. Formålet er blot at vurdere, om dokumentet sandsynligvis kan give en ren tabel.
Se efter disse tegn:
- én ensartet tabel pr. side
- synlig adskillelse mellem rækker eller jævn afstand
- tydelige kolonneoverskrifter
- læsbare tal med stabil placering
- totaler eller delsummer, som kan kontrolleres bagefter
- gentagen rækkestruktur, for eksempel varenummer, antal, stykpris og beløb
Vær også opmærksom på typiske risici:
- flettede celler eller beskrivelser over flere linjer
- fodnoter inde i tabelområdet
- stempler eller underskrifter oven på tal
- blandede valutaer eller formater i samme kolonne
- sider hvor den samme kolonne flytter placering
Denne korte vurdering giver dig et bedre billede af, hvor meget efterarbejde du kan forvente.
Eksempel: fra scannet fakturatabel til Excel
Forestil dig en leverandørfaktura på tre scannede sider. Hver side har en tabel med disse kolonner:
- Varenummer
- Beskrivelse
- Antal
- Stykpris
- Linjetotal
Nederst på sidste side står også:
- delsum
- moms
- fragt
- samlet total
Målet er ikke bare at få tekst ind i celler. Målet er at bevare sammenhængen i hver række og sikre, at tallene stadig stemmer efter OCR.
En praktisk fremgangsmåde kan være:
- Find de kolonner, der går igen, og skriv den forventede rækkefølge ned.
- Kør OCR på den scannede tabel og eksporter resultatet til Excel.
- Kontroller, om hver række stadig står på én linje.
- Kontroller, om antal, stykpris og linjetotal er placeret i hver sin kolonne.
- Genberegn linjetotaler i Excel, hvor det er muligt.
- Sammenlign beregnede delsummer og samlet total med den scannede faktura.
- Marker alle rækker, der bryder mønsteret.
Det sidste kontroltrin er det, der gør et råt udtræk til et regneark, du kan gennemgå med større sikkerhed.
En pålidelig metode i 6 trin
1. Fastlæg den forventede tabelstruktur
Før konverteringen bør du notere, hvilke kolonner du forventer, og hvilken type data hver kolonne skal indeholde.
| Kolonne | Forventet indhold | Hurtig regel |
|---|---|---|
| Varenummer | kort alfanumerisk værdi | ét nummer pr. række |
| Beskrivelse | tekst | kan fylde flere linjer, men hører til én række |
| Antal | tal | bør kun være numerisk |
| Stykpris | beløb | decimalformat bør være ensartet |
| Linjetotal | beløb | bør svare til antal × stykpris |
Det giver dig en fast model til kontrol i stedet for at gætte bagefter.
2. Kør OCR og eksporter til Excel
Brug et værktøj eller en arbejdsgang, som kan anvende OCR på en scannet PDF og placere resultatet i regnearkskolonner. OCR opfører sig forskelligt fra dokument til dokument, så regn med manuel kontrol i stedet for at forvente et perfekt resultat.
På dette trin bør du især se efter to ting:
- teksten er genkendt
- tabellen ligner stadig en tabel
Hvis alt havner i én lang kolonne, kan OCR godt have læst teksten uden at forstå tabelstrukturen. I så fald bliver der behov for mere sortering og opdeling i Excel.
3. Kontroller rækkeintegritet først
Begynd ikke med at rette enkelte tegn. Kontroller først, om hver post stadig er en samlet post.
Spørg dig selv:
- Er én fakturalinje blevet til to rækker?
- Er to korte rækker blevet slået sammen?
- Har en lang beskrivelse skubbet tal ned på næste linje?
- Er overskriftsrækker blandet ind i data?
Det er vigtigt, fordi små fejl i tekstgenkendelsen normalt er lettere at rette end ødelagt rækkeopstilling. Hvis rækkerne ikke passer, vil totaler og formler heller ikke passe.
4. Gør kolonnerne ensartede
Når rækkerne ser stabile ud, kan du rydde op i kolonnerne.
Typiske opgaver er:
- at flytte delsummer ud af varetabellen
- at omdanne tal, der er læst som tekst, til numeriske celler
- at dele sammensatte værdier, som er landet i samme kolonne
- at udfylde gentagne værdier, hvis sideskift har afbrudt tabellen
- at fjerne dublerede overskrifter fra flere sider
Det er en god vane at bevare det oprindelige udtræk uændret og lave rettelser i en arbejdskopi. Så er det lettere at spore fejl tilbage til OCR-resultatet.
5. Kontroller totaler og sammenhænge
Her ligger kernen i metoden.
Når OCR-resultatet er i Excel, kan du bruge regnearket til at teste, om tabellen hænger sammen. For eksempel:
- linjetotal bør være lig antal ganget med stykpris
- delsum bør være summen af linjetotaler
- samlet total bør være delsum plus moms og andre tillæg
- antal rækker bør svare til antallet af synlige varelinjer i scanningen
En kort kontroltabel:
| Kontrol | Hvad du sammenligner | Hvorfor det hjælper |
|---|---|---|
| Antal rækker | scanning mod regneark | finder manglende eller ekstra rækker |
| Kolonneplacering | overskrifter mod værdier | finder forskudte celler |
| Linjeberegning | antal × stykpris mod linjetotal | finder talfejl i genkendelsen |
| Delsum | sum af linjetotaler mod angivet delsum | finder udeladte rækker |
| Samlet total | delsum plus tillæg mod slutbeløb | finder fejl sent i forløbet |
Hvis delsummen afviger lidt, kan du undersøge rækker med tegn, der ligner hinanden, eller tal der er placeret forkert. Hvis forskellen er stor, er det ofte et tegn på manglende rækker eller en brudt rækkeopdeling.
6. Marker afvigelser til manuel gennemgang
Ikke alle scannede tabeller bør godkendes efter første gennemløb. Lav derfor en liste over rækker, der kræver manuel kontrol.
Nyttige markeringer kan være:
- tom celle i antal eller beløb
- tekst i en numerisk kolonne
- negative værdier, hvor de ikke forventes
- samme varenummer med forskellige beløb
- totalrække midt inde mellem detaljelinjer
- værdier der ikke passer til dokumentets mønster
På den måde kan du fokusere gennemgangen på de rækker, der mest sandsynligt indeholder OCR-fejl.
Kort tjekliste før du bruger regnearket
Brug denne liste, før du deler filen eller importerer den videre:
- Bekræft, at alle sider er med.
- Bekræft, at overskrifterne er korrekte og ikke gentages midt i tabellen.
- Bekræft, at hver varelinje fylder præcis én række.
- Bekræft, at antal, pris og beløb er numeriske celler.
- Bekræft, at delsummer og samlet total kan genberegnes korrekt.
- Bekræft, at noter, sidefødder og underskrifter ikke er kommet med i datatabellen.
- Bekræft, at markerede afvigelser er gennemgået manuelt.
Begrænsninger ved OCR på scannede tabeller
Selv en god metode har grænser. OCR på tabeller kan være vanskelig, når:
- scanningen har lav opløsning eller er kraftigt komprimeret
- kolonner står meget tæt
- rækker indeholder beskrivelser over flere linjer med ujævn afstand
- totaler står i frie tekstfelter i stedet for i en almindelig tabel
- dokumentet blander maskinskrevet tekst og håndskrift
- det samme felt skifter placering fra side til side
I de tilfælde kan OCR stadig spare tid, men Excel-filen bør behandles som et udkast til kontrol og ikke som den endelige sandhed.
Hvornår denne fremgangsmåde virker bedst
Denne metode er stærkest, når dokumentet har en gentagen struktur og et regnemæssigt mønster, som kan kontrolleres. Det gør den velegnet til transaktionstabeller, linjeposter i regnskabslignende dokumenter og rapporter med tydelige totaler.
Den vigtigste vane er enkel: Vurder ikke kun resultatet ud fra, om teksten ser læsbar ud. Vurder det ud fra, om rækkerne stadig hænger sammen, og om totalerne kan afstemmes. Det er ofte den hurtigste måde at afgøre, om dit resultat fra scannet PDF til Excel er klar til brug eller stadig kræver rettelser.