Skannet PDF til Excel er nyttig når et dokument inneholder tabelldata du vil analysere, sortere eller avstemme i et regneark. Nøkkelen er ikke bare å hente ut teksten, men å kontrollere om rader, kolonner og summer fortsatt gir mening etter tekstgjenkjenning. En god fremgangsmåte hjelper deg fra et skannet dokument til en brukbar Excel-fil med færre manuelle rettelser.
Hva denne fremgangsmåten er laget for
Denne veiledningen handler om én konkret oppgave: å gjenkjenne skannede tabeller til Excel og kontrollere resultatet. Det er særlig nyttig for dokumenter som:
- fakturaer med varelinjer og avgiftssummer
- utgiftsrapporter med datoer, kategorier og beløp
- lagerlister med antall og enhetspriser
- kontoutskrifter eller hovedboklignende tabeller der radene må holde seg på linje
- rapporter med delsummer og totalsum
Dette er noe annet enn vanlig PDF-konvertering. Hvis en PDF allerede har markerbar tekst, er uthenting som regel enklere. Når filen er en skanning eller en bildebasert PDF, trengs OCR for å oppdage tegn og tabellstruktur før du kan arbeide videre i Excel.
Hvis du vil se den aktuelle informasjonssiden om dette emnet, kan du lese OCR PDF til Excel.
Start med en enkel vurdering av dokumentet
Før du henter ut noe, bør du se raskt gjennom selve skanningen. Du trenger ikke en lang teknisk vurdering. Målet er bare å avgjøre om dokumentet sannsynligvis kan gi en ryddig tabell.
Se etter disse tegnene:
- én tydelig og konsekvent tabell per side
- synlige radskiller eller jevn avstand mellom radene
- klare kolonneoverskrifter
- lesbare tall med stabil plassering
- summer eller delsummer som kan kontrolleres i etterkant
- gjentatt radstruktur, for eksempel varenummer, antall, enhetspris og beløp
Vær også oppmerksom på vanlige risikoer:
- sammenslåtte celler eller beskrivelser over flere linjer
- fotnoter inne i tabellområdet
- stempler eller signaturer som dekker tall
- blandede valutaer eller ulike tallformater i samme kolonne
- sider der samme kolonne flytter seg i plassering
Denne raske vurderingen gir deg et bedre bilde av hvor mye opprydding du må regne med etter OCR.
Eksempel: fra skannet fakturatabell til Excel
Tenk deg en skannet leverandørfaktura på tre sider. Hver side har en tabell med disse kolonnene:
- Varenummer
- Beskrivelse
- Antall
- Enhetspris
- Linjesum
Nederst på siste side finnes også:
- delsum
- avgift
- frakt
- totalsum
Målet er ikke bare å få tekst inn i celler. Målet er å bevare sammenhengen mellom radene og bekrefte at tallene fortsatt stemmer etter OCR.
En praktisk rekkefølge kan se slik ut:
- Finn de gjentatte kolonnene og skriv ned forventet rekkefølge.
- Hent ut den skannede tabellen til Excel med en OCR-basert prosess.
- Kontroller om hver rad fortsatt ligger på én linje.
- Sjekk om antall, enhetspris og linjesum havnet i egne kolonner.
- Beregn linjesummer på nytt i Excel der det er mulig.
- Sammenlign beregnede delsummer og totalsum med den skannede fakturaen.
- Merk alle rader som bryter mønsteret.
Det siste kontrolltrinnet er det som gjør en grov uthenting til et regneark du faktisk kan bruke videre.
En pålitelig fremgangsmåte i seks trinn
1. Definer forventet tabellstruktur
Før konvertering bør du notere hvilke kolonner du forventer, og hvilken type innhold hver kolonne skal ha.
| Kolonne | Forventet innhold | Enkel regel |
|---|---|---|
| Varenummer | kort alfanumerisk verdi | ett nummer per rad |
| Beskrivelse | tekst | kan gå over flere linjer, men hører til én rad |
| Antall | tall | skal være numerisk |
| Enhetspris | beløp | desimalformat bør være konsekvent |
| Linjesum | beløp | bør stemme med antall × enhetspris |
Da har du en modell å kontrollere mot, i stedet for å gjette etterpå.
2. Kjør OCR og eksporter til Excel
Bruk et verktøy eller en prosess som kan kjøre OCR på en skannet PDF og plassere resultatet i regnearkkolonner. Siden OCR oppfører seg forskjellig fra dokument til dokument, bør du regne med manuell kontroll i stedet for å anta at eksporten blir perfekt.
På dette stadiet er det særlig to ting du ser etter:
- at teksten faktisk ble gjenkjent
- at tabellen fortsatt ser ut som en tabell
Hvis alt havner i én lang kolonne, kan OCR ha fanget teksten uten å bevare tabellstrukturen. Da må du regne med mer sortering og oppdeling i Excel.
3. Kontroller radintegriteten først
Ikke start med å rette enkelttegn. Det første du bør kontrollere, er om hver post fortsatt er én post.
Spør deg selv:
- Ble én fakturalinje delt i to rader?
- Ble to korte rader slått sammen til én?
- Skyvde en lang beskrivelse tallene over på neste linje?
- Har overskriftsrader havnet inne i dataene?
Dette er viktig fordi små tekstfeil er enklere å rette enn ødelagt radplassering. Hvis radstrukturen er feil, blir også summer og formler feil.
4. Rydd opp og standardiser kolonnene
Når radene ser stabile ut, kan du standardisere kolonnene.
Vanlige oppryddingsoppgaver er:
- flytte delsummer ut av varetabellen
- gjøre teksttolkede tall om til numeriske celler
- splitte kombinerte verdier som havnet i samme kolonne
- fylle ned gjentatte verdier hvis sideskift avbrøt tabellen
- fjerne dupliserte overskrifter fra flere sider
Behold gjerne det opprinnelige uthentede arket urørt, og gjør oppryddingen i en arbeidskopi. Det gjør kontrollen enklere hvis du må spore en feil tilbake til OCR-resultatet.
5. Kontroller summer og sammenhenger
Dette er kjernen i hele fremgangsmåten.
Etter OCR kan du bruke Excel til å teste om tabellen er konsistent. For eksempel:
- linjesum bør være lik antall multiplisert med enhetspris
- delsum bør være summen av linjesummene
- totalsum bør være lik delsum pluss avgift og andre tillegg
- antall rader bør stemme med antall synlige varelinjer i skanningen
En enkel kontrolltabell:
| Kontroll | Hva du sammenligner | Hvorfor det hjelper |
|---|---|---|
| Antall rader | skanning mot regneark | fanger opp manglende eller ekstra rader |
| Kolonneplassering | overskrifter mot verdier | fanger opp forskjøvede celler |
| Linjeberegning | antall × enhetspris mot linjesum | fanger opp feiltolkede tall |
| Delsum | sum av linjesummer mot oppgitt delsum | fanger opp utelatte rader |
| Totalsum | delsum pluss tillegg mot endelig sum | fanger opp feil sent i prosessen |
Hvis delsummen avviker litt, bør du kontrollere rader med tegn som lett forveksles, eller tall som kan ha fått feil plassering. Hvis avviket er stort, er det ofte et tegn på manglende rader eller brutt radgruppering.
6. Merk avvik for manuell kontroll
Ikke alle skannede tabeller bør stoles på etter første gjennomgang. Lag derfor en liste over rader som krever manuell vurdering.
Nyttige markeringer kan være:
- tom celle i antall eller beløp
- tekst i en tallkolonne
- negative verdier der du ikke forventer det
- samme varenummer med ulike beløp
- summeringslinjer midt inne blant detaljradene
- verdier som ikke passer mønsteret i dokumentet
Da blir kontrollen mer målrettet. I stedet for å gå gjennom alt for hånd, kan du fokusere på radene som mest sannsynlig inneholder OCR-feil.
Kort sjekkliste før du bruker regnearket
Bruk denne korte listen før du deler filen eller importerer den videre:
- Bekreft at alle sider er tatt med.
- Bekreft at overskriftene er riktige og ikke er duplisert midt i tabellen.
- Bekreft at hver varelinje ligger på én rad.
- Bekreft at antall, pris og beløp er numeriske celler.
- Bekreft at delsummer og totalsum kan beregnes på nytt korrekt.
- Bekreft at merknader, bunntekst og signaturer ikke har havnet i datatabellen.
- Bekreft at avviksradene er kontrollert manuelt.
Vanlige begrensninger ved OCR av skannede tabeller
Selv en god fremgangsmåte har begrensninger. OCR for tabeller kan slite når:
- skanningen har lav oppløsning eller er hardt komprimert
- kolonnene ligger svært tett
- radene har beskrivelser over flere linjer med ujevn avstand
- summer er plassert i flytende tekstfelt i stedet for en fast tabellstruktur
- dokumentet blander maskinskrevet tekst og håndskrift
- samme felt ligger forskjellig fra side til side
I slike tilfeller kan OCR fortsatt spare tid, men Excel-filen bør behandles som et utkast for kontroll, ikke som endelig fasit.
Når denne metoden fungerer best
Denne fremgangsmåten fungerer best når dokumentet har en gjentatt struktur og et tallmønster som kan kontrolleres. Den passer derfor godt for transaksjonstabeller, regnskapslignende varelinjer og rapporter med tydelige summer.
Det viktigste prinsippet er enkelt: Ikke vurder resultatet bare ut fra om teksten ser lesbar ut. Vurder det ut fra om radene holder seg intakte og om summene fortsatt stemmer. Det er ofte den raskeste måten å avgjøre om resultatet fra skannet PDF til Excel er klart til bruk eller fortsatt trenger retting.