Konvertering fra PDF til Excel er ofte enkel, når en tabel kun fylder én side. Den sværere situation opstår, når en rapport, opgørelse eller eksport fortsætter over mange sider. Her dukker dobbelte overskriftsrækker, delte poster og tilsyneladende manglende linjer typisk op.
Den sikreste tilgang er ikke at se konverteringen som ét klik. Behandl den i stedet som en kort arbejdsgang: gennemgå PDF-strukturen, udtræk eventuelt side for side, saml forsigtigt og lav derefter en hurtig kontrol. Hvis du vil se Sanreaders informationsside om emnet, kan du læse værktøjssiden om PDF til Excel.
Start med tabelmønstret, ikke med værktøjet
Før du konverterer noget, bør du se på, hvordan tabellen opfører sig på tværs af sider.
Almindelige mønstre i tabeller over flere sider er:
- den samme kolonneoverskrift gentages på hver side
- en subtotal står nederst på hver side
- én række er delt mellem to sider
- første side har et andet overskriftslayout end de næste sider
- noter, sidefødder eller sidetal ligger inde i tabelområdet
Disse mønstre betyder mere end navnet på den løsning, du bruger. Hvis dokumentet gentager en overskrift på hver side, kan en automatisk samling behandle alle overskrifter som almindelige datarækker. Hvis en række brydes ved et sideskift, kan næste side begynde med kun den sidste halvdel af posten.
En hurtig visuel gennemgang hjælper dig med at afgøre, om du skal:
- udtrække hele dokumentet i én omgang,
- udtrække udvalgte sideintervaller hver for sig, eller
- rydde op i hver sideblok, før du samler dem.
Brug et konkret eksempel til at planlægge samlingen
Forestil dig en salgsrapport på 12 sider. Hver side har disse kolonner:
- Dato
- Ordre-id
- Kunde
- Region
- Antal
- Nettobeløb
Øverst på hver side står den samme overskriftsrække igen. Nederst på side 1 til 11 står en sidesubtotal. På side 7 brydes ét kundenavn hen over sideskiftet, så næste side begynder med det, der ligner en ufuldstændig række.
Hvis du konverterer direkte, kan Excel-arket ende med:
- 12 kopier af overskriftsrækken
- 11 subtotalrækker blandet ind i data
- én delt post, som tælles som to rækker
- en manglende værdi i første række på side 8
Den praktiske beslutning er derfor at definere, hvad der tæller som rigtige data, før du samler noget. I dette eksempel skal kun rækker med et gyldigt ordre-id blive i det endelige ark. Overskrifter og subtotaler skal fjernes. En delt række skal genskabes, før du analyserer dataene.
En pålidelig trinvis metode til tabeller over flere sider
Brug denne rækkefølge, når dokumentet strækker sig over flere sider.
-
Gennemgå sidekonsistens
Kontroller, om alle sider bruger de samme kolonner og den samme rækkefølge. Hvis side 1 har et andet layout, bør den behandles særskilt. -
Find rækker, der ikke er data
Markér gentagne overskrifter, sidefødder, sidetotaler, videreført-linjer og noter, som ikke skal med i den endelige tabel. -
Konverter i håndterbare blokke ved behov
Hvis PDF-filen har blandede layouts, er det ofte bedre at udtrække sider med samme struktur samlet i stedet for at tvinge hele filen igennem på én gang. -
Indsæt i et mellemark først
Ryd ikke op i din eneste kopi. Gem det rå resultat i ét ark, og lav oprydningen i et andet. -
Fjern gentagne overskriftsrækker
Filtrér efter rækker, hvor nøglefelter svarer til kolonnenavnene, for eksempelDatoellerOrdre-id, og slet derefter de rækker. -
Fjern subtotaler og sideopsummeringer
Filtrér efter ord somSubtotal,Sidetotaleller tomme ordre-id-felter kombineret med beløb. -
Kontrollér delte rækker ved sideskift
Bevar sidefølgen, og undersøg overgangen mellem sideblokke. Kig efter delvis tekst, tomme celler i nøglekolonner eller værdier, der er forskudt én række ned. -
Bekræft rækkeforløb
Tæl forventede poster, hvis PDF-filen viser et kendt antal, men antag ikke, at det altid findes. Ellers kan du sammenligne første og sidste id i hver blok for at opdage huller eller dubletter. -
Flyt først derefter til det endelige ark
Når overskrifter, opsummeringer og delte rækker er rettet, kan du kopiere de rensede data til det regneark, du faktisk vil arbejde videre i.
Sådan undgår du dobbelte overskrifter ved samling af sider
Dobbelte overskrifter er et af de mest almindelige problemer i arbejde med PDF til Excel på lange tabeller.
Den enkleste regel er at vælge et felt, som aldrig bør indeholde overskriftsteksten i rigtige data. For eksempel:
- hvis
Ordre-idaltid er numerisk eller kodeagtigt, er enhver række, hvor cellen indeholderOrdre-id, en gentaget overskrift - hvis
Datoaltid skal være en dato, er enhver række, hvor cellen indeholderDato, ikke en transaktionsrække
Det virker bedre end at slette hver n-te række, fordi sidelængder varierer.
Her er en kort kontroltabel til oprydning:
| Kontrolpunkt | Hvad du skal se efter | Handling |
|---|---|---|
| Gentagne overskrifter | Celler med samme tekst som kolonneoverskrifter | Filtrér og slet de rækker |
| Sidefødder | Sidetal, rapportnavne eller datoer uden for selve dataene | Fjern dem før analyse |
| Subtotaler | Opsummeringslinjer med beløb, men uden rigtigt post-id | Slet dem eller flyt dem til et særskilt ark |
| Tomme skillerækker | Helt tomme rækker mellem sideblokke | Fjern dem |
| Kolonneforskydning | Værdier, der ligger én kolonne til venstre eller højre efter et sideskift | Ret det før samling |
Hvis side 1 har en særlig rapporttitel over tabellen, men de senere sider ikke har det, bør du ikke bruge side 1 som skabelon for alle sider. Ryd side 1 op separat, og tilføj derefter standardsiderne.
Sådan opdager du manglende rækker og brudte poster
Manglende rækker er ofte ikke virkelig væk. De kan være delt, ombrudt eller forskudt under udtrækningen.
Hold øje med disse tegn:
- en række begynder med tom dato eller tomt ordre-id, men har værdier i senere kolonner
- et kundenavn fortsætter fra forrige side, mens de numeriske felter står på den aktuelle side
- en side slutter med en række, der har tekst men intet beløb, og næste side begynder med et beløb men ingen identifikator
- antallet af poster mellem to kendte id'er virker usandsynligt
For at rette det bør du sammenligne de sidste rækker i én sideblok med de første rækker i den næste. Hvis én logisk post er delt i to regnearksrækker, samler du tekst og tal i én række og sletter derefter den overflødige fragmentrække.
Hvis den oprindelige PDF er visuelt tvetydig, er det en god idé at notere i arbejdsbogen, at der er foretaget en manuel vurdering. Det gør senere gennemgang lettere.
Hvornår du bør dele opgaven i stedet for at tvinge én samlet konvertering
Nogle gange er den bedste beslutning ved PDF til Excel ikke at samle alt med det samme.
Del arbejdet op, når:
- første side bruger et andet sæt kolonner
- en sektion midt i dokumentet skifter til liggende format
- nogle sider indeholder tabeller, mens andre mest er brødtekst
- scannede sider og digitalt oprettede sider er blandet sammen
- ét område indeholder detaljeposter og et andet opsummeringer
I de tilfælde er det ofte bedre at lave særskilte udtræk, rense hver del og derefter ensrette kolonnenavnene, før du lægger dem sammen. Det giver som regel færre skjulte fejl end én stor automatisk konvertering.
Det er også vigtigt ikke at antage, at tekstgenkendelse er tilgængelig eller passende i alle tilfælde. Hvis PDF-filen er billedbaseret, kan tabeludtræk kræve en anden proces, og resultatet vil ofte kræve tættere manuel kontrol.
Sidste kontrol, før du stoler på regnearket
Før du bruger resultatet til rapportering, filtrering eller formler, bør du lave en kort gennemgang.
-
Kontrollér antal rækker
Ser antallet rimeligt ud i forhold til dokumentets sidetal? -
Gennemgå toppen og bunden af hver tidligere sideblok
Det er her, dobbelte overskrifter og delte rækker oftest gemmer sig. -
Filtrér nøglekolonner for tomme felter
Tomme id'er, datoer eller beløb afslører ofte brudte rækker. -
Søg efter overskriftsord inde i dataene
Ord somDato,Ordre-idellerSubtotalkan stadig være til stede. -
Sammenlign et udvalg med PDF-filen
Kontrollér nogle rækker fra begyndelsen, midten og slutningen af dokumentet.
Begrænsninger i denne metode
Denne fremgangsmåde forbedrer pålideligheden, men den garanterer ikke en perfekt tabel.
Begrænsninger kan blandt andet være:
- scannede PDF-filer kan kræve tekstgenkendelse og mere manuel rettelse
- komplekse flettede celler kan ødelægge rækkestrukturen
- linjeskift i tekst kan fejlfortolkes som en ny række
- fodnoter inde i tabelområdet kan ligne gyldige data
- forskellige sideskabeloner i samme fil kan gøre ens oprydningsregler upræcise
Derfor er et mellemark og en afsluttende kontrol vigtige. Målet er at reducere stille fejl, før regnearket bruges videre.