Skan PDF do Excel przydaje się wtedy, gdy dokument zawiera tabele, które trzeba dalej analizować, sortować albo uzgadniać w arkuszu. Najważniejsze nie jest samo odczytanie tekstu, ale sprawdzenie, czy po rozpoznaniu nadal zgadzają się wiersze, kolumny oraz sumy. Dobrze ułożony proces pomaga przejść od zeskanowanego dokumentu do użytecznego pliku Excel przy mniejszej liczbie ręcznych poprawek.
Do czego służy ten proces
Ten poradnik skupia się na jednym zadaniu: rozpoznaniu zeskanowanych tabel do Excela i sprawdzeniu poprawności wyniku. Ma to znaczenie zwłaszcza przy dokumentach takich jak:
- faktury z pozycjami i podatkiem,
- zestawienia wydatków z datami, kategoriami i kwotami,
- arkusze magazynowe z ilościami i cenami jednostkowymi,
- tabele podobne do rejestrów lub wyciągów, gdzie wiersze muszą pozostać wyrównane,
- raporty z sumami pośrednimi i sumą końcową.
To nie jest zwykła konwersja PDF. Jeśli plik zawiera już zaznaczalny tekst, wyodrębnienie danych bywa prostsze. Gdy jednak dokument jest skanem albo PDF-em opartym na obrazie, potrzebne jest OCR, aby rozpoznać znaki i układ tabeli, zanim zacznie się pracę w Excelu.
Jeśli chcesz zobaczyć stronę informacyjną dotyczącą tego tematu i dostępności narzędzia, zajrzyj tutaj: OCR PDF do Excel.
Zacznij od krótkiej oceny dokumentu
Zanim cokolwiek przeniesiesz do arkusza, obejrzyj skan. Nie chodzi o długą analizę, tylko o szybką ocenę, czy tabela ma szansę zostać poprawnie odczytana.
Zwróć uwagę na takie sygnały:
- jedna spójna tabela na stronie,
- widoczne rozdzielenie wierszy albo przewidywalne odstępy,
- czytelne nagłówki kolumn,
- liczby ustawione w równy sposób,
- obecność sum lub sum pośrednich, które da się później sprawdzić,
- powtarzalny układ wiersza, na przykład: kod, opis, ilość, cena, wartość.
Warto też od razu zauważyć typowe ryzyka:
- scalone komórki albo opisy zajmujące kilka linii,
- przypisy wchodzące w obszar tabeli,
- pieczątki lub podpisy zasłaniające liczby,
- różne waluty albo formaty w jednej kolumnie,
- strony, na których kolumny przesuwają się względem siebie.
Taka krótka ocena pozwala przewidzieć, ile poprawek może być potrzebnych po OCR.
Przykład: faktura zeskanowana do Excela
Wyobraź sobie trzystronicową fakturę od dostawcy. Na każdej stronie znajduje się tabela z kolumnami:
- kod pozycji,
- opis,
- ilość,
- cena jednostkowa,
- wartość pozycji.
Na końcu ostatniej strony dokument zawiera jeszcze:
- sumę pośrednią,
- podatek,
- koszt dostawy,
- sumę końcową.
Celem nie jest tylko przeniesienie tekstu do komórek. Chodzi o zachowanie relacji między wierszami i sprawdzenie, czy liczby nadal się zgadzają po rozpoznaniu.
Praktyczna kolejność pracy może wyglądać tak:
- Zapisz oczekiwany układ kolumn.
- Rozpoznaj tabelę z zeskanowanego PDF i przenieś wynik do Excela.
- Sprawdź, czy każdy wiersz pozostał jednym wierszem.
- Zobacz, czy ilość, cena jednostkowa i wartość trafiły do osobnych kolumn.
- Przelicz wartości pozycji w Excelu tam, gdzie to możliwe.
- Porównaj wyliczone sumy pośrednie i sumę końcową z dokumentem źródłowym.
- Oznacz każdy wiersz, który łamie ten wzorzec.
To właśnie etap sprawdzania decyduje, czy arkusz będzie tylko szkicem, czy materiałem nadającym się do dalszej pracy.
Niezawodny proces w 6 krokach
1. Ustal oczekiwaną strukturę tabeli
Przed rozpoznaniem zapisz, jakich kolumn się spodziewasz i jaki typ danych ma się w nich znaleźć.
| Kolumna | Oczekiwana zawartość | Szybła zasada kontroli |
|---|---|---|
| Kod pozycji | krótki kod alfanumeryczny | jeden kod na wiersz |
| Opis | tekst | może być dłuższy, ale należy do jednego wiersza |
| Ilość | liczba | tylko wartości liczbowe |
| Cena jednostkowa | kwota | spójny zapis części dziesiętnych |
| Wartość pozycji | kwota | powinna wynikać z ilości i ceny |
Taki wzorzec ułatwia późniejsze sprawdzanie wyniku zamiast zgadywania, co powinno znaleźć się w danej kolumnie.
2. Wykonaj OCR i przenieś wynik do Excela
Użyj rozwiązania lub procesu, który potrafi rozpoznać zeskanowany PDF i umieścić wynik w układzie arkusza. Trzeba przy tym założyć, że efekt będzie wymagał kontroli ręcznej, a nie będzie idealny od razu.
Na tym etapie liczą się dwie rzeczy:
- tekst został rozpoznany,
- tabela nadal przypomina tabelę.
Jeżeli cały wynik trafi do jednej długiej kolumny, to OCR mógł odczytać treść, ale nie zachował struktury. Wtedy trzeba będzie więcej porządkować już w samym Excelu.
3. Najpierw sprawdź spójność wierszy
Nie zaczynaj od poprawiania pojedynczych liter lub cyfr. Najpierw upewnij się, że każdy rekord nadal jest jednym rekordem.
Zadaj sobie pytania:
- Czy jedna pozycja z faktury nie rozpadła się na dwa wiersze?
- Czy dwa krótkie wiersze nie połączyły się w jeden?
- Czy długi opis nie przesunął liczb do następnej linii?
- Czy wiersze nagłówków nie zostały pomieszane z danymi?
To ważniejsze niż drobne błędy znaków. Jeśli układ wierszy jest uszkodzony, błędne będą również sumy i formuły.
4. Uporządkuj kolumny w arkuszu
Dopiero gdy wiersze wyglądają poprawnie, warto porządkować kolumny.
Typowe czynności obejmują:
- przeniesienie sum pośrednich poza główną tabelę pozycji,
- zamianę tekstowych zapisów liczb na wartości liczbowe,
- rozdzielenie połączonych danych, które trafiły do jednej kolumny,
- uzupełnienie powtarzających się wartości, jeśli podział stron przerwał tabelę,
- usunięcie zduplikowanych nagłówków skopiowanych z kolejnych stron.
Dobrą praktyką jest pozostawienie oryginalnego arkusza z wynikiem OCR bez zmian i wykonywanie poprawek na kopii roboczej. Dzięki temu łatwiej wrócić do źródła, jeśli pojawią się wątpliwości.
5. Sprawdź sumy i zależności między wartościami
To najważniejsza część całego procesu.
Po OCR użyj Excela, aby sprawdzić, czy tabela jest wewnętrznie spójna. Na przykład:
- wartość pozycji powinna być równa ilości pomnożonej przez cenę jednostkową,
- suma pośrednia powinna być równa sumie wartości pozycji,
- suma końcowa powinna odpowiadać sumie pośredniej powiększonej o podatek i inne opłaty,
- liczba wierszy powinna zgadzać się z liczbą widocznych pozycji w skanie.
Krótka tabela kontrolna:
| Kontrola | Co porównać | Po co to robić |
|---|---|---|
| Liczba wierszy | skan i arkusz | wykrywa brakujące lub dodatkowe wiersze |
| Położenie kolumn | nagłówki i wartości | wykrywa przesunięte komórki |
| Obliczenia wiersza | ilość × cena a wartość | wykrywa błędy odczytu liczb |
| Suma pośrednia | suma pozycji a suma z dokumentu | wykrywa pominięte pozycje |
| Suma końcowa | suma pośrednia plus opłaty a wynik końcowy | wykrywa późniejsze przekłamania |
Jeśli suma różni się nieznacznie, sprawdź znaki łatwe do pomylenia oraz zapis części dziesiętnych. Jeśli różnica jest duża, bardziej prawdopodobne są brakujące wiersze albo źle zgrupowane pozycje.
6. Oznacz wyjątki do ręcznego sprawdzenia
Nie każdej tabeli po jednym przebiegu OCR można ufać. Warto utworzyć listę wyjątków, które wymagają ręcznego porównania ze skanem.
Przydatne oznaczenia to między innymi:
- pusta komórka z ilością lub kwotą,
- tekst w kolumnie liczbowej,
- wartość ujemna tam, gdzie nie powinna występować,
- powtórzony kod pozycji z inną kwotą,
- wiersz sumy pojawiający się w środku tabeli szczegółowej,
- wartości odbiegające od reszty dokumentu.
Dzięki temu nie trzeba sprawdzać ręcznie wszystkiego po kolei, tylko skupić się na miejscach najbardziej narażonych na błąd.
Krótka lista kontrolna przed użyciem arkusza
Zanim udostępnisz plik albo zaimportujesz dane dalej, przejdź przez tę krótką listę:
- Sprawdź, czy uwzględniono wszystkie strony.
- Sprawdź, czy nagłówki są poprawne i nie powtarzają się w środku tabeli.
- Sprawdź, czy każda pozycja zajmuje dokładnie jeden wiersz.
- Sprawdź, czy ilość, cena i wartość są zapisane jako liczby.
- Sprawdź, czy sumy pośrednie i suma końcowa przeliczają się poprawnie.
- Sprawdź, czy przypisy, stopki, podpisy i pieczątki nie trafiły do danych tabelarycznych.
- Sprawdź ręcznie wszystkie oznaczone wyjątki.
Ograniczenia rozpoznawania tabel ze skanu
Nawet dobry proces ma swoje ograniczenia. OCR tabel może działać słabiej, gdy:
- skan ma niską rozdzielczość albo jest mocno skompresowany,
- kolumny są położone bardzo blisko siebie,
- wiersze zawierają wieloliniowe opisy o nierównych odstępach,
- sumy znajdują się w luźno rozmieszczonych polach zamiast w regularnym układzie,
- dokument miesza druk z odręcznymi dopiskami,
- to samo pole pojawia się na kolejnych stronach w innym miejscu.
W takich sytuacjach OCR nadal może oszczędzić czas, ale wynikowy arkusz należy traktować jako wersję roboczą do sprawdzenia przez człowieka, a nie jako nieomylny zapis źródłowy.
Kiedy ten sposób sprawdza się najlepiej
Ten proces działa najlepiej wtedy, gdy dokument ma powtarzalną strukturę i da się go zweryfikować obliczeniami. Dotyczy to zwłaszcza tabel transakcyjnych, pozycji księgowych i raportów z wyraźnymi sumami.
Najważniejsza zasada jest prosta: nie oceniaj wyniku tylko po tym, czy tekst wygląda czytelnie. Oceniaj go po tym, czy wiersze pozostały spójne i czy sumy nadal się zgadzają. To zwykle najszybszy sposób, by stwierdzić, czy skan PDF do Excel jest gotowy do użycia, czy wymaga jeszcze poprawek.