Å konvertere PDF til Excel er ofte enkelt når en tabell får plass på én side. Det blir vanskeligere når en rapport, kontooversikt eller eksport fortsetter over mange sider. Det er da du som oftest møter dupliserte overskriftsrader, delte poster og linjer som ser ut til å ha falt bort.
Den tryggeste måten å jobbe på er å ikke behandle konverteringen som ett enkelt klikk. Se heller på den som en kort arbeidsprosess: undersøk strukturen i PDF-filen, hent ut sidevis ved behov, slå sammen med omtanke og gjør deretter en rask kontroll. Hvis du vil ha en oversikt over Sanreaders informasjonsside om dette emnet, kan du se verktøysiden for PDF til Excel.
Start med tabellmønsteret, ikke verktøyet
Før du gjør noe som helst, bør du se på hvordan tabellen oppfører seg fra side til side.
Vanlige mønstre i tabeller over flere sider er:
- samme kolonneoverskrift gjentas på hver side
- en delsum står nederst på hver side
- én rad blir delt mellom to sider
- første side har en annen topp eller tabelloppsett enn resten
- noter, bunntekst eller sidetall ligger inne i tabellområdet
Disse mønstrene betyr mer enn navnet på konverteringsverktøyet. Hvis dokumentet gjentar overskriften på hver side, kan en helautomatisk sammenslåing behandle alle overskriftene som vanlige datarader. Hvis en rad brytes ved et sideskift, kan neste side begynne med bare siste halvdel av raden.
En rask visuell gjennomgang hjelper deg med å avgjøre om du bør:
- hente ut hele dokumentet i én omgang,
- hente ut utvalgte sideområder hver for seg, eller
- rydde opp i hver sideblokk før du slår dem sammen.
Bruk et konkret eksempel før du slår sammen
Tenk deg en salgsrapport på 12 sider. Hver side inneholder disse kolonnene:
- Dato
- Ordre-ID
- Kunde
- Region
- Antall
- Nettobeløp
Øverst på hver side står den samme overskriftsraden på nytt. Nederst på side 1 til 11 ligger det en delsum for siden. På side 7 blir ett kundenavn brutt ved sideskiftet, slik at neste side begynner med det som ser ut som en halv rad.
Hvis du konverterer dette rett fram, kan Excel-arket ende opp med:
- 12 kopier av overskriftsraden
- 11 delsumrader blandet inn i dataene
- én oppføring som er delt i to rader
- en manglende verdi i første rad på side 8
Den praktiske beslutningen er derfor å definere hva som faktisk er ekte data før du slår sammen noe som helst. I dette eksemplet bør bare rader med gyldig Ordre-ID bli stående i sluttarket. Overskrifter og delsummer bør fjernes. En delt rad bør settes sammen igjen før videre analyse.
En pålitelig framgangsmåte for tabeller over flere sider
Bruk denne rekkefølgen når dokumentet går over mange sider.
-
Kontroller om sidene er like Se om alle sidene bruker de samme kolonnene og samme kolonnerekkefølge. Hvis side 1 har et annet oppsett, bør den behandles separat.
-
Finn rader som ikke er data Merk gjentatte overskrifter, bunntekster, sidetotaler, overføringslinjer og noter som ikke skal inn i sluttabellen.
-
Konverter i håndterlige blokker ved behov Hvis PDF-filen har ulike oppsett, er det tryggere å hente ut sider med lik struktur sammen enn å tvinge hele dokumentet gjennom én prosess.
-
Legg resultatet i et mellomark Rydd ikke i den eneste kopien. Behold den rå utgaven i ett ark og gjør oppryddingen i et annet.
-
Fjern gjentatte overskriftsrader Filtrer etter rader der nøkkelfelter er lik kolonnenavnene, for eksempel
DatoellerOrdre-ID, og slett disse radene. -
Fjern delsummer og sideoppsummeringer Filtrer etter ord som
Delsum,Sidetotaleller tom Ordre-ID kombinert med numeriske summer. -
Se etter delte rader ved sideskift Behold sidefølgen og kontroller overgangene mellom sideblokker. Se etter avbrutt tekst, tomme nøkkelfelter eller verdier som har flyttet seg én rad ned.
-
Kontroller radkontinuitet Hvis PDF-filen viser en kjent total eller tydelige løpenumre, bruk det til å oppdage hull eller dobbeltføringer. Hvis ikke, sammenlign første og siste ID i hver blokk.
-
Flytt først deretter de rensede dataene til sluttarket Når overskrifter, oppsummeringer og delte rader er rettet opp, kan du kopiere de rensede dataene til arbeidsboken du faktisk skal bruke.
Slik unngår du dupliserte overskrifter ved sammenslåing
Dupliserte overskrifter er et av de vanligste problemene i arbeid med PDF til Excel når tabellen går over mange sider.
Den enkleste regelen er å velge ett felt som aldri skal inneholde overskriftsteksten i ekte data. For eksempel:
- hvis
Ordre-IDalltid er numerisk eller kodebasert, er enhver rad der denne cellen inneholderOrdre-IDen gjentatt overskrift - hvis
Datoalltid skal være en dato, er enhver rad der cellen inneholderDatoikke en transaksjonsrad
Dette er som regel tryggere enn å slette hver n-te rad, fordi antall linjer per side ofte varierer.
Her er en kort kontrolltabell du kan bruke under oppryddingen:
| Kontroll | Hva du ser etter | Tiltak |
|---|---|---|
| Gjentatte overskrifter | Celler som er lik kolonnenavn | Filtrer og slett disse radene |
| Bunntekster | Sidetall, rapportnavn eller datoer utenfor dataene | Fjern før analyse |
| Delsummer | Oppsummeringslinjer med totaler, men uten reell post-ID | Slett eller flytt til eget ark |
| Tomme skillerader | Helt tomme rader mellom sideblokker | Fjern |
| Forskjøvede kolonner | Verdier som havner én kolonne til venstre eller høyre etter sideskift | Rett opp før sammenslåing |
Hvis første side har en egen rapporttittel over tabellen, mens de senere sidene ikke har det, bør du ikke bruke side 1 som mal for alle sider. Rydd i første side separat og legg deretter til standardsidene.
Slik finner du manglende rader og brutte poster
Manglende rader er ofte ikke virkelig borte. De kan være delt, linjebrutt eller forskjøvet under uthentingen.
Se spesielt etter disse tegnene:
- en rad starter med tom Dato eller Ordre-ID, men har verdier i senere kolonner
- et kundenavn fortsetter fra forrige side, mens tallfeltene ligger på neste side
- en side slutter med en rad som har tekst, men ikke beløp, og neste side begynner med et beløp uten identifikator
- antall poster mellom to kjente ID-er virker urimelig
For å rette dette bør du sammenligne de siste radene i én sideblokk med de første radene i den neste. Hvis én logisk post har blitt delt i to regnearkrader, setter du sammen tekst og tall i én rad og sletter den overflødige resten.
Hvis original-PDF-en er uklar, er det lurt å legge inn en kort merknad i arbeidsboken om at en manuell vurdering ble gjort. Det gjør senere kontroll enklere.
Når du bør dele opp jobben i stedet for å tvinge fram én samlet konvertering
Noen ganger er den beste beslutningen ved PDF til Excel å la være å slå alt sammen med en gang.
Del opp arbeidet når:
- første side bruker et annet sett med kolonner
- en seksjon midt i dokumentet bytter til liggende format
- noen sider inneholder tabeller og andre inneholder løpende tekst
- skannede sider og digitalt genererte sider er blandet sammen
- ett område inneholder detaljrader og et annet inneholder oppsummeringer
I slike tilfeller er det ofte bedre å lage separate uthentingsblokker, rydde hver blokk for seg og deretter standardisere kolonnenavnene før du setter alt sammen. Det gir gjerne færre skjulte feil enn én stor automatisert konvertering.
Det er også viktig å ikke anta at OCR er tilgjengelig eller riktig i alle situasjoner. Hvis PDF-filen i praksis består av bilder, kan tabelluthenting kreve en annen prosess og langt tettere manuell kontroll.
Siste kontroll før du stoler på regnearket
Før du bruker resultatet til rapportering, filtrering eller formler, bør du gjøre en kort sluttkontroll.
-
Kontroller antall rader Virker antallet rimelig sett opp mot hvor mange sider dokumentet har?
-
Se på toppen og bunnen av hver tidligere sideblokk Det er her dupliserte overskrifter og delte rader oftest skjuler seg.
-
Filtrer nøkkelkolonner for tomme felt Tomme ID-er, datoer eller beløp avslører ofte brutte poster.
-
Søk etter overskriftsord inne i dataene Ord som
Dato,Ordre-IDellerDelsumkan fortsatt ligge igjen. -
Sammenlign et lite utvalg med PDF-filen Kontroller noen rader fra tidlige, midterste og sene sider.
Begrensninger du bør være klar over
Denne framgangsmåten gjør resultatet mer pålitelig, men den garanterer ikke en perfekt tabell.
Begrensninger kan være:
- skannede PDF-filer kan kreve OCR og mer manuell retting
- sammenslåtte celler kan ødelegge radstrukturen
- linjebrutt tekst kan tolkes som en ny rad
- fotnoter inne i tabellområdet kan ligne gyldige data
- ulike sidemaler i samme fil kan gjøre faste rydde-regler upålitelige
Derfor er et mellomark og en siste kontroll viktige. Målet er å redusere stille feil før regnearket brukes videre.