PDFをExcelに変換する作業は、表が1ページで完結していれば比較的進めやすいものです。難しくなるのは、報告書や明細書のように同じ表が複数ページへ続く場合です。このときに起こりやすいのが、各ページの見出し行がそのままデータに入ること、ページ下部の小計が混ざること、改ページ付近で1件の記録が2行に割れることです。
安全に進めるには、変換を一回の操作として考えるのではなく、短い整理手順として扱うのが有効です。まず表の構造を見て、必要ならページ単位やページ範囲ごとに扱い、取り込んだ後で結合前の確認を行います。関連する案内ページとしては、PDFをExcelに変換の案内ページも参照できます。
まず確認すべきなのは変換手段より表の繰り返し方
複数ページ表では、どの道具を使うかより先に、表がページをまたいでどう繰り返されているかを見ることが重要です。
よくあるパターンは次のとおりです。
- 各ページの先頭に同じ列見出しが繰り返される
- 各ページの末尾に小計や合計が入る
- 1件のデータが改ページをまたいで分割される
- 1ページ目だけ見出しや列構成が少し異なる
- ページ番号や注記が表の範囲に入り込む
こうした特徴があると、まとめて取り込んだ結果に見出し行が何度も出現したり、本来は集計用の行まで通常データとして扱われたりします。改ページで行が切れている場合は、次ページの先頭が中途半端な行として現れることもあります。
そのため、最初に次のどれで進めるかを決めます。
- 全ページをまとめて扱う
- 同じ構成のページ範囲ごとに分けて扱う
- ページごとに確認してから結合する
具体例で考えると判断しやすい
たとえば、12ページにわたる売上明細を想定します。各ページには次の列があります。
- 日付
- 注文番号
- 顧客名
- 地域
- 数量
- 金額
さらに、各ページの上部には同じ列見出しが再表示され、1ページ目から11ページ目までは下部にページ小計があります。7ページから8ページにかけては、ある顧客名が改ページで分かれ、次ページ先頭が行の続きのような形になっています。
この状態でそのままPDFをExcelに変換すると、次のような結果になりがちです。
- 列見出しが12回分入る
- 小計行が通常データに混ざる
- 1件の記録が2行に分かれる
- 8ページ先頭の一部セルが空欄になる
ここで先に決めるべきなのは、何を「本当のデータ行」とみなすかです。上の例なら、注文番号がある行だけを最終表に残すと決めると整理しやすくなります。見出しや小計は除外対象、改ページで割れた行は結合対象です。
複数ページ表をまとめるための実用的な手順
複数ページの表を扱うときは、次の順番で進めると混乱しにくくなります。
-
ページごとの構成を確認する
すべてのページで列名と列順が同じかを見ます。1ページ目だけ体裁が違うなら別扱いにします。 -
データではない行を洗い出す
繰り返し見出し、フッター、ページ小計、繰越表示、注記などを事前に把握します。 -
必要ならページ範囲ごとに分けて扱う
途中でレイアウトが変わる文書は、一括処理より同じ構成の部分ごとに分けたほうが安全です。 -
作業用シートを用意する
取り込んだままの表を保存する場所と、整理後の表を作る場所を分けます。元の状態を残しておくと見直しが容易です。 -
重複見出しを削除する
注文番号列に「注文番号」、日付列に「日付」など、見出し語が入っている行を抽出して削除します。 -
小計や要約行を除外する
「小計」「合計」などの語がある行や、注文番号が空欄なのに金額だけ入っている行を確認します。 -
改ページ付近の分割行を確認する
各ページ境界の前後数行を見て、文字列だけ先行している行、主要列が空欄の行、値がずれている行を探します。 -
行の連続性を確かめる
連番の識別子や日付順があるなら、飛びや重複がないかを見ます。件数表示がある場合は参考にしますが、ない前提でも確認できるようにします。 -
整理後に最終シートへ移す
見出し、小計、分割行の処理が終わってから、分析や集計に使う表へ移します。
重複見出しを確実に見つける考え方
複数ページのPDFをExcelに変換するとき、最も頻出する問題は重複見出しです。
有効なのは、実データでは見出し語が入らない列を1つ決めることです。たとえば次のように考えます。
- 注文番号が通常は番号や記号列なら、そのセルに「注文番号」と入っている行は見出し
- 日付列が通常は日付なら、そのセルに「日付」と入っている行は見出し
この方法なら、何行おきに削除するといった不安定な方法より確実です。ページごとに行数が違っても対応できます。
簡単な確認表を置いておきます。
| 確認項目 | 見るポイント | 対応 |
|---|---|---|
| 重複見出し | 列名そのものが入った行 | 抽出して削除 |
| フッター | ページ番号、帳票名、印字日時 | 分析前に除外 |
| 小計行 | 集計語があり識別子がない行 | 削除または別シートへ移動 |
| 空白区切り行 | ページ境界の完全な空行 | 削除 |
| 列ずれ | 改ページ後に値が左右へずれる | 結合前に修正 |
なお、1ページ目だけ帳票タイトルや説明行が上にある場合、全ページに同じ規則を当てるとかえって崩れます。1ページ目は別に整え、その後に標準的なページ群をつなぐほうが安定します。
欠落行に見える問題の多くは分割行やずれ
変換後に「行が消えた」と感じても、実際には完全に消えているのではなく、分割やずれとして現れていることが少なくありません。
次の兆候があれば要注意です。
- 日付や注文番号が空欄なのに後ろの列だけ値がある
- 顧客名の続きが次ページ先頭に出ている
- 前ページ末尾の行に金額がなく、次ページ先頭に金額だけある
- 連続する番号や日付の流れが不自然に飛んでいる
対応するときは、あるページ範囲の末尾数行と次ページ範囲の先頭数行を並べて見ます。1件の記録が2行に割れているなら、文字列と数値を1つの行にまとめ、余分な断片行を削除します。
元のPDFでも判断が微妙な場合は、作業メモを残しておくと後で見直しやすくなります。特に手作業で結合した行は記録しておくと安心です。
すべてを一度にまとめないほうがよい場面
PDFをExcelに変換する際、常に一括処理が最善とは限りません。むしろ、分けて扱ったほうが誤りを減らせる場面があります。
分割して進めたほうがよい例は次のとおりです。
- 1ページ目だけ列構成が異なる
- 途中から横向きページに切り替わる
- 表ページと説明文ページが混在する
- 画像化されたページと通常のPDFページが混在する
- 明細部分と集計部分が同じファイルに入っている
このような場合は、同じ構造の範囲ごとに整理し、最後に列名をそろえてから結合するほうが安全です。大きな一括処理は見えにくい誤りを増やすことがあります。
また、画像ベースのPDFでは文字認識が必要になることがありますが、どの文書でも同じ精度で整うとは限りません。特に表の境界があいまいな場合は、通常のPDFより細かな見直しが必要です。
最終的に信頼できる表かを確認するチェック
整理が終わったら、集計や検索に使う前に短時間でよいので確認を入れます。
-
行数が妥当かを見る
ページ数に対して極端に少ない、または多すぎないかを見ます。 -
各ページ境界の前後を重点的に見る
重複見出しや分割行は境界付近に出やすいためです。 -
主要列の空欄を抽出する
注文番号、日付、金額などの空欄は異常の手がかりになります。 -
見出し語や小計語を検索する
データ中に「日付」「注文番号」「小計」などが残っていないか調べます。 -
原本PDFと数件照合する
先頭、中ほど、末尾から数行ずつ比べるだけでも精度確認に役立ちます。
この進め方の限界
この方法は実務上の見落としを減らすのに役立ちますが、どんな文書でも完全に整うことを保証するものではありません。
主な限界は次のとおりです。
- 画像化PDFは追加確認が多くなる
- 結合セルが多い表は行構造が崩れやすい
- 折り返し文字が新しい行と誤認されることがある
- 表内の脚注や注記が通常データに見えることがある
- 1つのファイル内で帳票様式が頻繁に変わると規則化しにくい
そのため、作業用シートを残すこと、ページ境界を重点的に見ること、最終表へ移す前に短い確認を入れることが重要です。目的は、変換結果をそのまま信じるのではなく、重複見出しや欠落行に見える問題を早い段階で見つけることにあります。